在 MATLAB 中实现基于 迁移学习（Transfer Learning, TL） 与 SqueezeNet 网络的滚动轴承故障诊断，是一种高效利用预训练模型进行小样本故障分类的方法。以下是一个完整的实现流程，包括数据准备、网络修改、迁移学习训练和评估。
🧠 背景简述
SqueezeNet：轻量级 CNN，参数少、速度快，适合嵌入式或资源受限场景。
迁移学习（TL）：利用 ImageNet 上预训练的 SqueezeNet 特征提取能力，微调最后几层用于轴承故障分类。
滚动轴承故障诊断：通常使用振动信号 → 转换为时频图像（如 STFT、CWT、Wigner-Ville 等）→ 图像分类任务。
✅ 实现步骤（MATLAB）
- 准备故障数据集（图像格式）
假设你已将原始振动信号转换为图像（如 227×227 的 RGB 图像），并按类别组织在文件夹中：
dataset/
├── normal/
├── inner_fault/
├── outer_fault/
└── ball_fault/
⚠️ SqueezeNet 输入尺寸为 227×227×3，务必统一图像尺寸。
- 加载预训练 SqueezeNet
matlab
% 加载预训练 SqueezeNet（ImageNet）
net = squeezenet;
- 修改网络结构（适配你的故障类别数）
matlab
% 获取原网络层
layers = net.Layers;
% 假设你的故障类别数为 4
numClasses = 4;
% 替换最后两层：conv10 和 softmax + classification
newLayers = [
layers(1:end-2) % 保留前面所有层
convolution2dLayer(1, numClasses, ‘Name’, ‘new_conv’) % 新卷积层
softmaxLayer(‘Name’, ‘new_softmax’)
classificationLayer(‘Name’, ‘new_classoutput’)
];
% 显示新网络
analyzeNetwork(newLayers);
- 准备图像数据存储（ImageDatastore）
matlab
dataFolder = ‘dataset’; % 你的数据路径
imds = imageDatastore(dataFolder, …
‘IncludeSubfolders’, true, …
‘LabelSource’, ‘foldernames’);
% 划分训练集和验证集（例如 80% 训练，20% 验证）
[imdsTrain, imdsValidation] = splitEachLabel(imds, 0.8, ‘randomized’);
- 设置训练选项（迁移学习策略）
冻结前面的特征提取层，只训练新添加的层（可选）：
matlab
% 获取要训练的层（仅新层）
layerNames = {‘new_conv’, ‘new_softmax’, ‘new_classoutput’};
options = trainingOptions(‘sgdm’, …
‘InitialLearnRate’, 1e-3, …
‘MaxEpochs’, 20, …
‘MiniBatchSize’, 32, …
‘Shuffle’, ‘every-epoch’, …
‘ValidationData’, imdsValidation, …
‘ValidationFrequency’, 30, …
‘Verbose’, false, …
‘Plots’, ‘training-progress’);
% 若想微调整个网络，可设置 LearnRateSchedule=‘piecewise’ 并降低初始学习率
🔍 进阶技巧：先冻结特征提取层训练新层，再解冻微调整个网络（两阶段训练）。
- 开始训练
matlab
netTransfer = trainNetwork(imdsTrain, newLayers, options);
- 评估模型性能
matlab
% 预测验证集
YPred = classify(netTransfer, imdsValidation);
YTrue = imdsValidation.Labels;
% 计算准确率
accuracy = mean(YPred == YTrue);
fprintf(‘验证集准确率: %.2f%%\n’, accuracy*100);
% 混淆矩阵
figure;
confusionchart(YTrue, YPred);
title(‘混淆矩阵 - 轴承故障诊断’);
📌 补充建议
数据增强（防止过拟合）：
matlab
augImds = augmentedImageDatastore([227 227], imdsTrain, …
‘ColorPreprocessing’, ‘gray2rgb’); % 若原图是灰度图
注意：SqueezeNet 需要 3 通道输入，若原始为灰度图，需转为 RGB（如 gray2rgb）。信号转图像方法推荐：
短时傅里叶变换（STFT） → 时频图
连续小波变换（CWT） → 小波尺度图（效果通常更好）
使用 cwtfilterbank 或 stft 函数生成图像使用预训练权重初始化新层（可选）：
可从原 conv10 层复制部分权重（若类别数相近）
📚 参考资料
MATLAB 官方文档：Transfer Learning Using SqueezeNet
CWRU 轴承数据集（常用公开数据集）：https://engineering.case.edu/bearingdatacenter
