Matlab双输入神经网络实现信号时频域联合分析

1. 项目背景与核心思路

去年在做一个工业振动信号分类项目时，我遇到了一个典型问题：原始时域信号特征不明显，直接喂给神经网络效果很差。当时尝试了各种数据增强和网络结构调整，直到偶然把FFT频谱和原始信号同时输入网络，准确率直接提升了23%。这个经历让我意识到，时域和频域信息的互补性在序列分析中可能被严重低估了。

这次要分享的正是这种双输入神经网络的Matlab实现方案。不同于常见的单输入LSTM或CNN，我们构建了一个能同时处理原始序列和其FFT变换的双通道网络架构。这种设计在机械故障诊断、语音情感识别等场景中特别有效——当信号的关键特征既隐藏在时域波形中，又分布在频域分量里时，传统单输入网络就像只用一只耳朵听交响乐。

2. 关键工具与数据准备

2.1 Matlab深度学习工具箱配置

推荐使用R2021a及以上版本，关键要确保安装了：

• Deep Learning Toolbox
• Signal Processing Toolbox

验证安装：

matlab复制ver('deep') 
ver('signal')

2.2 数据预处理流水线

以轴承故障数据集为例，标准处理流程包括：

1. 时域标准化：

matlab复制data_raw = (data - mean(data))/std(data);

2. FFT计算关键参数：

matlab复制Fs = 12000;  % 采样率
L = length(data_raw);
f = Fs*(0:(L/2))/L;
Y = fft(data_raw);
P2 = abs(Y/L);
P1 = P2(1:L/2+1);
P1(2:end-1) = 2*P1(2:end-1);

注意：FFT结果只需要单边谱，且要正确归一化幅值

3. 网络架构设计详解

3.1 双输入分支结构

matlab复制input_raw = imageInputLayer([1 sequence_length 1], 'Name', 'raw_input');
input_fft = imageInputLayer([1 fft_length 1], 'Name', 'fft_input');

convBranch = [
    c