PyTorch小波变换时频图分类：基于卷积神经网络的4类识别

以下是一个基于PyTorch的卷积神经网络对小波变换后的时频图进行分类的示例程序，可以分为4类。该程序使用了PyTorch中的torch.nn模块来定义卷积神经网络模型，使用了torch.optim模块来实现随机梯度下降算法进行训练，使用了torch.utils.data模块来加载数据集。

import torch
import torch.nn as nn
import torch.optim as optim
import torch.utils.data as data
import numpy as np
from sklearn.model_selection import train_test_split

# 定义卷积神经网络模型
class WaveletCNN(nn.Module):
    def __init__(self):
        super(WaveletCNN, self).__init__()
        self.conv1 = nn.Conv2d(1, 16, kernel_size=3, padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, padding=1)
        self.fc1 = nn.Linear(32 * 7 * 7, 128)
        self.fc2 = nn.Linear(128, 4)

    def forward(self, x):
        x = self.pool(torch.relu(self.conv1(x)))
        x = self.pool(torch.relu(self.conv2(x)))
        x = x.view(-1, 32 * 7 * 7)
        x = torch.relu(self.fc1(x))
        x = self.fc2(x)
        return x

# 加载数据集
data = np.load('wavelet_dataset.npz')
X = data['X']
y = data['y']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
train_dataset = data.TensorDataset(torch.Tensor(X_train), torch.Tensor(y_train).long())
test_dataset = data.TensorDataset(torch.Tensor(X_test), torch.Tensor(y_test).long())
train_loader = data.DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = data.DataLoader(test_dataset, batch_size=64, shuffle=False)

# 定义模型、损失函数和优化器
model = WaveletCNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)

# 训练模型
for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(train_loader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = model(inputs.unsqueeze(1))
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 10 == 9:
            print('[%d, %5d] loss: %.3f' % (epoch + 1, i + 1, running_loss / 10))
            running_loss = 0.0

# 测试模型
correct = 0
total = 0
with torch.no_grad():
    for data in test_loader:
        inputs, labels = data
        outputs = model(inputs.unsqueeze(1))
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy: %d %%' % (100 * correct / total))

该程序的主要步骤如下：

定义卷积神经网络模型WaveletCNN，该模型包括2个卷积层和2个全连接层。
加载数据集，将数据集分为训练集和测试集，并使用DataLoader类将数据集转换为可迭代的数据批次。
定义损失函数和优化器，损失函数使用交叉熵损失函数，优化器使用随机梯度下降算法。
训练模型，在每个epoch中，对训练集的每个数据批次进行前向传播、反向传播和优化器更新，计算损失函数并输出平均损失。
测试模型，对测试集的每个数据批次进行前向传播，计算分类准确率。

需要注意的是，该程序中的数据集是一个numpy数组，其中每个元素是一个大小为28x28的小波变换后的时频图。在将数据集加载到PyTorch中时，需要将numpy数组转换为torch.Tensor对象，并使用DataLoader类将数据集转换为可迭代的数据批次。此外，由于卷积神经网络需要接受的输入是四维张量，因此需要使用unsqueeze方法将每个样本的维度从3维扩展到4维。