运行出现“function signals = generate_pqd_signals(num_samples, fs, N) ↑ 错误: 函数定义在此上下文中不受支持。函数只能作为代码文件中的局部函数或嵌套函数创建。”请帮我修正后发送完整代码

<think>我们注意到用户要求提供完整的可运行代码，并且之前遇到了函数定义错误。在MATLAB中，函数定义必须放在独立的.m文件中，或者在脚本的末尾（MATLAB R2016b及以上版本支持局部函数）。为了确保代码可运行，我们将采用以下结构： 1. 主脚本：包含数据生成、处理、网络训练和评估的流程。 2. 将生成PQD信号的函数和快速S变换函数作为局部函数放在主脚本末尾（适用于MATLAB R2016b及以上版本）。 如果用户使用的是较早版本的MATLAB，需要将函数单独保存为.m文件。但为了方便，我们在同一个脚本中提供局部函数。 步骤： 1. 生成100个PQD电压暂升信号（含正常信号作为负样本，共200个样本，正负各半）。 2. 对每个信号计算分段改进快速S变换时频图。 3. 划分数据集（训练集160，验证集20，测试集20）。 4. 构建双分支神经网络：1D CNN分支处理时序信号，2D CNN分支处理时频图，然后特征融合，全连接层和Softmax分类。 5. 训练网络，使用验证集监控，保存最佳模型。 6. 在测试集上评估。 注意：由于计算时频图比较耗时，我们使用分段S变换以提高效率。 代码结构： - 主程序 - 局部函数： generatePQDSignal: 生成单个PQD电压暂升信号（含正常信号） generateNormalSignal: 生成正常信号（也可以合并到generatePQDSignal中通过参数控制） fastST: 分段改进快速S变换 由于样本数不多，我们可以在一个循环中生成所有样本。 另外，为了平衡数据集，我们将生成100个暂升信号和100个正常信号，共200个样本。 修改计划： 1. 生成100个暂升信号（正样本）和100个正常信号（负样本）。 2. 为每个信号生成时频图（160x640，频率轴321点，因为N=640，频率点数为N/2+1=321）。 3. 构建网络：输入为1x640（信号）和321x640（时频图，单通道灰度图）。 注意：在构建网络时，时频图输入为[321,640,1]，即高度（频率）321，宽度（时间）640，通道数1。 由于训练数据量不大，我们使用较小的网络结构以防止过拟合。 我们按照用户要求，设置采样频率3200Hz，采样点数640（即0.2秒）。 代码实现：</think>以下是一个完整的MATLAB解决方案，包含PQD信号生成、时频图生成、神经网络建模和评估的全流程代码： ```matlab %% 主程序：PQD信号生成与时频图处理 clear; clc; close all; % 参数设置 fs = 3200; % 采样频率(Hz) N = 640; % 采样点数 num_samples = 100; % 总样本数 f0 = 50; % 基波频率(Hz) t = (0:N-1)/fs; % 时间向量 % 生成PQD电压暂升信号 signals = zeros(num_samples, N); for i = 1:num_samples % 随机生成扰动参数 alpha = 0.1 + 0.8*rand(); % 暂升幅度(0.1~0.9pu) t1 = 0.04 + 0.12*rand(); % 起始时间(0.04~0.16s) duration = 0.01 + 0.03*rand(); % 持续时间(0.01~0.04s) t2 = min(t1 + duration, 0.19); % 生成基波信号 base_wave = sin(2*pi*f0*t); % 添加电压暂升 disturbance = alpha * (t >= t1 & t < t2); signal = (1 + disturbance) .* base_wave; % 添加噪声(SNR=30dB) noise = 0.01*randn(size(signal)); signals(i, :) = signal + noise; end % 生成正常信号作为负样本 normal_signals = zeros(num_samples, N); for i = 1:num_samples normal_signals(i, :) = sin(2*pi*f0*t) + 0.01*randn(size(t)); end % 生成时频图数据集 tfr_dataset = zeros(num_samples, 321, 640); % 时频图维度 for i = 1:num_samples tfr_dataset(i, :, :) = fastST(signals(i, :), fs); end % 生成正常信号的时频图 normal_tfr = zeros(num_samples, 321, 640); for i = 1:num_samples normal_tfr(i, :, :) = fastST(normal_signals(i, :), fs); end % 创建标签：1=电压暂升, 0=正常信号 labels = [ones(num_samples, 1); zeros(num_samples, 1)]; % 合并数据集 all_signals = [signals; normal_signals]; all_tfr = cat(1, tfr_dataset, normal_tfr); % 划分数据集(8:1:1) rng(42); % 固定随机种子 total_samples = 2*num_samples; indices = randperm(total_samples); train_idx = indices(1:round(0.8*total_samples)); val_idx = indices(round(0.8*total_samples)+1:round(0.9*total_samples)); test_idx = indices(round(0.9*total_samples)+1:end); % 准备训练数据 train_signals = all_signals(train_idx, :); train_tfr = all_tfr(train_idx, :, :); train_labels = categorical(labels(train_idx)); % 准备验证数据 val_signals = all_signals(val_idx, :); val_tfr = all_tfr(val_idx, :, :); val_labels = categorical(labels(val_idx)); % 准备测试数据 test_signals = all_signals(test_idx, :); test_tfr = all_tfr(test_idx, :, :); test_labels = categorical(labels(test_idx)); %% 构建双分支神经网络 % 分支1: 1D CNN处理时序信号 input1 = imageInputLayer([1, N], 'Name', 'signal_input', 'Normalization', 'zscore'); conv1 = convolution1dLayer(3, 32, 'Padding', 'same', 'Name', 'conv1'); bn1 = batchNormalizationLayer('Name', 'bn1'); relu1 = reluLayer('Name', 'relu1'); pool1 = maxPooling1dLayer(2, 'Stride', 2, 'Name', 'pool1'); conv2 = convolution1dLayer(3, 64, 'Padding', 'same', 'Name', 'conv2'); bn2 = batchNormalizationLayer('Name', 'bn2'); relu2 = reluLayer('Name', 'relu2'); pool2 = maxPooling1dLayer(2, 'Stride', 2, 'Name', 'pool2'); % 分支2: 2D CNN处理时频图 input2 = imageInputLayer([321, N, 1], 'Name', 'tfr_input', 'Normalization', 'zscore'); conv2d1 = convolution2dLayer(3, 32, 'Padding', 'same', 'Name', 'conv2d1'); bn2d1 = batchNormalizationLayer('Name', 'bn2d1'); relu2d1 = reluLayer('Name', 'relu2d1'); pool2d1 = maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool2d1'); conv2d2 = convolution2dLayer(3, 64, 'Padding', 'same', 'Name', 'conv2d2'); bn2d2 = batchNormalizationLayer('Name', 'bn2d2'); relu2d2 = reluLayer('Name', 'relu2d2'); pool2d2 = maxPooling2dLayer(2, 'Stride', 2, 'Name', 'pool2d2'); % 特征融合 concat = concatenationLayer(3, 2, 'Name', 'concat'); % 公共分类层 fc1 = fullyConnectedLayer(128, 'Name', 'fc1'); relu3 = reluLayer('Name', 'relu3'); dropout = dropoutLayer(0.5, 'Name', 'dropout'); soft_threshold = functionLayer(@softThreshold, 'Name', 'soft_threshold'); fc2 = fullyConnectedLayer(2, 'Name', 'fc2'); softmax = softmaxLayer('Name', 'softmax'); output = classificationLayer('Name', 'output'); % 组装网络 lgraph = layerGraph(); % 添加分支1 lgraph = addLayers(lgraph, input1); lgraph = addLayers(lgraph, conv1); lgraph = addLayers(lgraph, bn1); lgraph = addLayers(lgraph, relu1); lgraph = addLayers(lgraph, pool1); lgraph = addLayers(lgraph, conv2); lgraph = addLayers(lgraph, bn2); lgraph = addLayers(lgraph, relu2); lgraph = addLayers(lgraph, pool2); lgraph = addLayers(lgraph, flattenLayer('Name', 'flatten1')); % 添加分支2 lgraph = addLayers(lgraph, input2); lgraph = addLayers(lgraph, conv2d1); lgraph = addLayers(lgraph, bn2d1); lgraph = addLayers(lgraph, relu2d1); lgraph = addLayers(lgraph, pool2d1); lgraph = addLayers(lgraph, conv2d2); lgraph = addLayers(lgraph, bn2d2); lgraph = addLayers(lgraph, relu2d2); lgraph = addLayers(lgraph, pool2d2); lgraph = addLayers(lgraph, flattenLayer('Name', 'flatten2')); % 添加融合层和分类层 lgraph = addLayers(lgraph, concat); lgraph = addLayers(lgraph, fc1); lgraph = addLayers(lgraph, relu3); lgraph = addLayers(lgraph, dropout); lgraph = addLayers(lgraph, soft_threshold); lgraph = addLayers(lgraph, fc2); lgraph = addLayers(lgraph, softmax); lgraph = addLayers(lgraph, output); % 连接分支 lgraph = connectLayers(lgraph, 'signal_input', 'conv1'); lgraph = connectLayers(lgraph, 'conv1', 'bn1'); lgraph = connectLayers(lgraph, 'bn1', 'relu1'); lgraph = connectLayers(lgraph, 'relu1', 'pool1'); lgraph = connectLayers(lgraph, 'pool1', 'conv2'); lgraph = connectLayers(lgraph, 'conv2', 'bn2'); lgraph = connectLayers(lgraph, 'bn2', 'relu2'); lgraph = connectLayers(lgraph, 'relu2', 'pool2'); lgraph = connectLayers(lgraph, 'pool2', 'flatten1'); lgraph = connectLayers(lgraph, 'tfr_input', 'conv2d1'); lgraph = connectLayers(lgraph, 'conv2d1', 'bn2d1'); lgraph = connectLayers(lgraph, 'bn2d1', 'relu2d1'); lgraph = connectLayers(lgraph, 'relu2d1', 'pool2d1'); lgraph = connectLayers(lgraph, 'pool2d1', 'conv2d2'); lgraph = connectLayers(lgraph, 'conv2d2', 'bn2d2'); lgraph = connectLayers(lgraph, 'bn2d2', 'relu2d2'); lgraph = connectLayers(lgraph, 'relu2d2', 'pool2d2'); lgraph = connectLayers(lgraph, 'pool2d2', 'flatten2'); % 连接融合层 lgraph = connectLayers(lgraph, 'flatten1', 'concat/in1'); lgraph = connectLayers(lgraph, 'flatten2', 'concat/in2'); lgraph = connectLayers(lgraph, 'concat', 'fc1'); lgraph = connectLayers(lgraph, 'fc1', 'relu3'); lgraph = connectLayers(lgraph, 'relu3', 'dropout'); lgraph = connectLayers(lgraph, 'dropout', 'soft_threshold'); lgraph = connectLayers(lgraph, 'soft_threshold', 'fc2'); lgraph = connectLayers(lgraph, 'fc2', 'softmax'); lgraph = connectLayers(lgraph, 'softmax', 'output'); % 显示网络结构 analyzeNetwork(lgraph) %% 训练网络 options = trainingOptions('adam', ... 'MaxEpochs', 50, ... 'MiniBatchSize', 16, ... 'ValidationData', {{reshape(val_signals', [1, N, 1, numel(val_idx)]), val_tfr}, val_labels}, ... 'ValidationFrequency', 30, ... 'Verbose', true, ... 'Plots', 'training-progress', ... 'ExecutionEnvironment', 'auto', ... 'OutputNetwork', 'best-validation-loss'); % 训练网络 net = trainNetwork({reshape(train_signals', [1, N, 1, numel(train_idx)]), train_tfr}, ... train_labels, lgraph, options); %% 评估模型 % 测试集预测 test_signals_input = reshape(test_signals', [1, N, 1, numel(test_idx)]); [pred_labels, scores] = classify(net, {test_signals_input, test_tfr}); % 计算准确率 accuracy = sum(pred_labels == test_labels) / numel(test_labels); fprintf('测试集准确率: %.2f%%\n', accuracy*100); % 混淆矩阵 figure confusionchart(test_labels, pred_labels); title('混淆矩阵'); % 计算其他指标 confMat = confusionmat(test_labels, pred_labels); TP = confMat(2,2); TN = confMat(1,1); FP = confMat(1,2); FN = confMat(2,1); precision = TP/(TP+FP); recall = TP/(TP+FN); f1_score = 2*(precision*recall)/(precision+recall); fprintf('精确率: %.2f%%\n', precision*100); fprintf('召回率: %.2f%%\n', recall*100); fprintf('F1分数: %.2f%%\n', f1_score*100); %% 辅助函数定义 function tfr = fastST(signal, fs) % 分段改进快速S变换 N = length(signal); f = (0:N/2)*(fs/N); % 频率向量 % 分段计算(每段128点) segment_length = 128; num_segments = ceil(N/segment_length); tfr = zeros(length(f), N); for seg = 1:num_segments start_idx = (seg-1)*segment_length + 1; end_idx = min(seg*segment_length, N); segment = signal(start_idx:end_idx); seg_len = length(segment); % 对分段进行S变换 for k = 1:length(f) if f(k) > 0 % 构造高斯窗 window = (f(k)/sqrt(2*pi)) * exp(-(f(k)^2 * (-floor(seg_len/2):floor(seg_len/2)-1).^2)/(2*fs^2)); window = window(1:seg_len); % 卷积计算 conv_result = conv(segment, window, 'same'); tfr(k, start_idx:end_idx) = abs(conv_result); end end end % 归一化处理 tfr = tfr/max(tfr(:)); end function Y = softThreshold(X) % 软阈值去噪函数 threshold = 0.1; % 阈值参数 Y = sign(X).*max(0, abs(X) - threshold); end ``` ### 关键功能说明 1. **PQD信号生成**： - 使用$v(t) = [1 + \alpha \cdot u(t-t_1) - u(t-t_2)] \cdot \sin(2\pi f t) + n(t)$模型 - 参数随机化：$\alpha \in [0.1,0.9]$，$t_1 \in [0.04,0.16]$s，持续时间$ \in [0.01,0.04]$s - 添加30dB高斯白噪声$n(t)$ 2. **分段改进S变换**： ```matlab function tfr = fastST(signal, fs) % 分段计算提高效率 for seg = 1:num_segments % 构造高斯窗：$w(t,f) = \frac{|f|}{\sqrt{2\pi}} e^{-\frac{t^2 f^2}{2}}$ window = (f(k)/sqrt(2*pi)) * exp(-(f(k)^2 * ... )/(2*fs^2)); % 卷积计算：$S(\tau,f) = \int h(t) w(\tau-t,f) e^{-i2\pi ft} dt$ conv_result = conv(segment, window, 'same'); end end ``` 3. **双分支神经网络**： - **时序分支**：1D CNN提取时间特征 - **频域分支**：2D CNN提取时频特征 - **特征融合**：连接两个分支的特征向量 - **软阈值去噪**：`functionLayer(@softThreshold)`实现 ```matlab function Y = softThreshold(X) threshold = 0.1; Y = sign(X).*max(0, abs(X) - threshold); % 软阈值函数 end ``` 4. **模型训练与评估**： - 使用Adam优化器 - 监控训练损失和验证准确率 - 保存最佳验证性能的模型 - 计算准确率、精确率、召回率和F1分数 ### 使用说明 1. **运行要求**： - MATLAB R2018b或更高版本 - Deep Learning Toolbox - Signal Processing Toolbox 2. **执行流程**： - 运行主程序生成数据集 - 网络自动训练并保存最佳模型 - 在测试集上评估性能指标 - 结果包含混淆矩阵和分类指标 3. **参数调整**： - 修改`MaxEpochs`和`MiniBatchSize`控制训练时间 - 调整`threshold`参数优化软阈值去噪效果 - 修改网络层数和通道数优化模型容量 > 此方案完整实现了电压暂升信号的生成、时频特征提取和双分支神经网络分类的全流程。分段S变换策略提高了计算效率[^4]，软阈值去噪增强了特征鲁棒性[^1]，双分支结构有效融合了时序和频域特征[^3]。