MATLAB实现CNN多输入回归预测：从数据预处理到模型部署全流程详解-平芜编程栈

简介：本资源是一套面向深度学习初学者与MATLAB工程实践者的CNN多输入回归预测完整实现方案，聚焦于利用卷积神经网络处理7维特征输入以预测连续型目标值，适用于时间序列建模、传感器融合分析、工业参数预测等实际回归场景。压缩包共7个文件（4张结果可视化图、1份详细技术文档、1个主程序脚本MainCNNR.m及1个含7输入1输出的实测数据集data.xlsx），总大小867KB，结构精炼、即开即用。已有3697人学习下载，说明其在教学演示与快速复现方面具备良好口碑。读者可直接运行MATLAB代码完成数据预处理、CNN模型构建（含卷积层、池化层与全连接层）、训练监控与回归预测全流程，并通过配套文档理解设计逻辑，借助四张图表直观掌握网络架构、损失收敛与预测效果，是深入理解CNN跨域应用与MATLAB深度学习工具箱实战能力的优质入门材料。

1. 项目背景与核心价值

最近在整理过往的项目资料，翻到了一个用MATLAB实现的CNN回归预测项目，感觉挺有代表性的。当时的需求是处理一批多通道的传感器数据，比如同时采集了温度、振动、压力等多个维度的时序信号，需要预测一个连续的目标值，比如设备的剩余使用寿命或者某个关键性能指标。这种多输入、单输出的回归问题，在工业预测性维护、金融时间序列分析、生物信号处理等领域其实非常常见。很多人一提到深度学习做回归，第一反应可能是用全连接网络，但面对具有空间或时序局部相关性的多通道数据，卷积神经网络（CNN）提取局部特征的能力往往更胜一筹。

这个项目的核心，就是展示如何用MATLAB，从零开始搭建、训练并评估一个用于多输入回归任务的CNN模型。网上关于MATLAB做图像分类的CNN教程很多，但专门针对回归，尤其是处理非图像格式多通道数据的完整案例相对较少。很多朋友在入门时，要么卡在数据预处理上，不知道如何把一堆Excel或TXT数据变成CNN能“吃”的格式；要么困在模型设计里，纠结网络层该怎么堆叠；再或者就是训练过程各种报错，预测结果惨不忍睹。这个项目源码和数据都打包好了，相当于一个可以直接运行的“脚手架”，你换上自己的数据，调整几个参数，就能快速验证想法。接下来，我会把这个项目的里里外外、关键步骤、踩过的坑以及一些实用的技巧，毫无保留地拆解清楚。

2. 数据准备：从原始表格到CNN的“食粮”

任何机器学习项目的基石都是数据，对于CNN多输入回归更是如此。这一步没做好，后面模型再精巧也是白搭。我们的目标是构建一个适合CNN的输入数据集，通常是一个四维数组，在MATLAB中其维度为[高度，宽度，通道数，样本数]。对于一维时序信号，我们可以将“高度”视为时间步长或序列长度，“宽度”设为1。对于更复杂的二维数据（如多通道频谱图），则“高度”和“宽度”对应图像的两个空间维度。

2.1 理解多输入数据的结构

假设我们有3种传感器（通道），每种传感器采集了1000个时间点的数据，总共有500个样本（即500段独立的、长度为1000的序列）。我们的目标是预测每个样本对应的一个连续值（如效率、寿命、浓度等）。

原始数据可能存放在一个CSV文件或MATLAB的.mat文件中，结构可能如下：

一个500x3000的矩阵X_raw：每一行是一个样本，每一列是一个特征点（3种传感器*1000时间点，可能被展平了）。
一个500x1的向量Y_raw：每个样本对应的真实目标值。

我们的任务是将X_raw重构为500x1000x3x1的四维数组（这里将“宽度”维度设为1，适用于一维卷积），或者更常见的，在MATLAB的Deep Learning Toolbox中，对于序列数据，我们也可以使用cell array来存储变长序列，但为简化，我们先假设所有序列长度固定为1000。

2.2 数据预处理实战代码与解析

下面是一段关键的预处理代码，它完成了数据读取、归一化、序列重构和数据集划分。

% 假设数据已加载，X_raw 为 nSamples x nFeatures 矩阵， Y_raw 为 nSamples x 1 向量 load('sensor_data.mat'); % 加载包含 X_raw, Y_raw 的 .mat 文件 % 1. 数据归一化 (标准化) - 至关重要！ % 对每个特征通道进行归一化，防止梯度爆炸或消失，加速收敛 [nSamples, nFeatures] = size(X_raw); nChannels = 3; % 已知传感器通道数 timeSteps = 1000; % 已知时间步长 % 将展平的数据重塑为 [nSamples, timeSteps, nChannels] X_reshaped = reshape(X_raw, nSamples, timeSteps, nChannels); % 计算每个通道在所有样本所有时间步上的均值和标准差 X_normalized = zeros(size(X_reshaped)); for i = 1:nChannels channelData = X_reshaped(:, :, i); mu = mean(channelData(:)); sigma = std(channelData(:)); X_normalized(:, :, i) = (channelData - mu) / (sigma + eps); % eps防止除零 end % 目标值Y也可以选择归一化，特别是当Y跨度很大时 Y_mean = mean(Y_raw); Y_std = std(Y_raw); Y_normalized = (Y_raw - Y_mean) / Y_std; % 2. 将数据重构为深度学习工具箱需要的格式: [高度， 宽度， 通道数， 样本数] % 对于一维时序数据，高度是时间步长(timeSteps)，宽度是1。 X_final = permute(X_normalized, [2, 3, 1]); % 变为 [timeSteps, nChannels, nSamples] X_final = reshape(X_final, timeSteps, 1, nChannels, nSamples); % 增加宽度维度1 % 此时 X_final 维度为: [1000, 1, 3, 500] % Y_final 维度为: [1, 500] (后续训练时需要转置或保持一致) % 3. 划分训练集、验证集和测试集 rng(42); % 设置随机种子，确保结果可复现 trainRatio = 0.7; valRatio = 0.15; testRatio = 0.15; cv = cvpartition(nSamples, 'HoldOut', testRatio); idxTest = cv.test; % 从非测试集中再划分训练和验证 cv2 = cvpartition(sum(~idxTest), 'HoldOut', valRatio/(trainRatio+valRatio)); idxTemp = find(~idxTest); idxVal = idxTemp(cv2.test); idxTrain = idxTemp(~cv2.test); XTrain = X_final(:, :, :, idxTrain); YTrain = Y_normalized(idxTrain); % Y需要是向量或对应格式 XVal = X_final(:, :, :, idxTrain); YVal = Y_normalized(idxVal); XTest = X_final(:, :, :, idxTest); YTest = Y_normalized(idxTest); % 保存预处理后的数据，方便后续直接加载 save('processed_data.mat', 'XTrain', 'YTrain', 'XVal', 'YVal', 'XTest', 'YTest', 'Y_mean', 'Y_std');

注意：归一化时务必使用训练集的统计量（均值和标准差）来归一化验证集和测试集，这是为了模拟真实场景中我们无法得知未来数据分布的情况。上面的循环示例为了清晰展示了原理，在实际封装函数时，应先划分数据集，再分别用训练集的统计量去处理验证集和测试集。

2.3 处理变长序列与缺失值

如果你的序列长度不一致，MATLAB的Deep Learning Toolbox支持以cell array形式输入数据。每个cell元素是一个[特征维度，序列长度]的矩阵。对于多通道，特征维度就是通道数。你需要将每个样本的数据转置为[nChannels, timeSteps_i]，然后放入cell中。使用sequenceInputLayer作为网络输入层来处理这类数据。缺失值可以用插值法（如线性插值）填充，或者在数据量足够时直接删除缺失严重的样本。

3. CNN回归模型架构设计与层详解

设计一个用于回归的CNN，核心思想是利用卷积层自动提取输入数据（无论是图像、时序信号还是频谱图）中的局部特征，然后通过全连接层将这些特征映射到最终的连续预测值上。网络结构不宜过深（对于中小规模数据），重点是确保感受野能够覆盖输入序列中的关键模式。

3.1 网络层逐层拆解

下面是一个针对上述[1000, 1, 3]输入尺寸设计的CNN回归网络示例。我们使用layerGraph来构建网络，这样结构更清晰。

layers = [ % 输入层：指定输入数据的大小 [高度， 宽度， 通道数] imageInputLayer([1000 1 3], 'Name', 'input', 'Normalization', 'none') % 注意：我们已经做过归一化，所以这里设为'none'。 % 第一个卷积块：提取低级特征 convolution2dLayer([5 1], 16, 'Padding', 'same', 'Name', 'conv1') % [5 1]的滤波器：在时间维度（高度）上覆盖5个时间点，在宽度维度上覆盖1（因为宽度是1）。16个滤波器。 % 'Padding', 'same' 表示输出在时间维度上的大小与输入相同（1000）。 batchNormalizationLayer('Name', 'bn1') % 批归一化层，加速训练，提供轻微正则化。 reluLayer('Name', 'relu1') % 激活函数，引入非线性。 % 第一个池化层：降低时间维度分辨率，减少参数，增加感受野 maxPooling2dLayer([2 1], 'Stride', [2 1], 'Name', 'pool1') % 池化窗口[2 1]，步长[2 1]。输出时间维度变为500。 % 第二个卷积块：提取更高级的特征 convolution2dLayer([3 1], 32, 'Padding', 'same', 'Name', 'conv2') batchNormalizationLayer('Name', 'bn2') reluLayer('Name', 'relu2') maxPooling2dLayer([2 1], 'Stride', [2 1], 'Name', 'pool2') % 输出时间维度变为250。 % 第三个卷积块 convolution2dLayer([3 1], 64, 'Padding', 'same', 'Name', 'conv3') batchNormalizationLayer('Name', 'bn3') reluLayer('Name', 'relu3') maxPooling2dLayer([2 1], 'Stride', [2 1], 'Name', 'pool3') % 输出时间维度变为125。 % 展平层：将多维特征图转换为一维向量，以便输入全连接层 flattenLayer('Name', 'flatten') % 全连接层：学习特征与目标值之间的非线性映射 fullyConnectedLayer(128, 'Name', 'fc1') reluLayer('Name', 'relu_fc1') dropoutLayer(0.5, 'Name', 'dropout1') % Dropout层，随机丢弃50%的神经元，防止过拟合，是回归任务中非常重要的正则化手段。 fullyConnectedLayer(64, 'Name', 'fc2') reluLayer('Name', 'relu_fc2') dropoutLayer(0.5, 'Name', 'dropout2') % 输出层：回归任务，一个神经元，输出预测的连续值 fullyConnectedLayer(1, 'Name', 'output') regressionLayer('Name', 'regressionOutput') % 关键！损失函数为均方误差（MSE）。 ]; % 创建层图并可视化（可选） lgraph = layerGraph(layers); analyzeNetwork(lgraph) % 该函数会打开一个网络分析器，检查层连接和输出尺寸。

3.2 关键层参数选择背后的逻辑

卷积核大小 (FilterSize)：[5 1]或[3 1]。在时间序列分析中，这决定了模型能“看到”多长一段时间内的模式。5意味着模型可以同时考虑相邻5个时间点的信息来生成一个特征。初始层可以用稍大的核捕获更基础、范围稍广的模式，深层可以用小核进行更精细的特征组合。对于振动信号，一个旋转周期可能对应几十个点，需要根据你的数据物理意义来调整。
滤波器数量 (NumFilters)：16, 32, 64。这决定了该层学习多少种不同的特征映射。通常随着网络加深，滤波器数量递增，让网络有能力表达更复杂、更抽象的特征。起点可以从16或32开始，根据模型容量和过拟合情况调整。
填充 (Padding)：‘same’。这是为了在卷积后保持时间维度的长度不变，便于我们控制网络下采样（通过池化层）的节奏。如果设为‘valid’，输出尺寸会缩小，需要更仔细地计算各层尺寸。
池化层 (Pooling)：最大池化[2 1]。这是标准的空间下采样操作，它保留了最显著的特征响应，同时将时间维度减半，极大地减少了后续层的参数数量和计算量，并逐步扩大后面层的感受野。对于回归任务，过度池化可能会丢失重要细节，因此需要平衡。
Dropout率：0.5。这是一个经验值，在全连接层后加入Dropout是防止过拟合的强有力工具。对于小数据集，Dropout效果尤其明显。你也可以尝试0.3到0.7之间的值。

实操心得：网络深度和宽度不是越大约好。对于几千个样本的数据，上述3个卷积块可能已经足够深了。如果训练时发现训练集损失很快下降但验证集损失居高不下（过拟合），首先应该考虑增强正则化（加大Dropout率，添加L2正则化），或者简化网络（减少层数或滤波器数量），而不是收集更多数据（虽然那是最根本的解决办法）。

4. 模型训练：配置、技巧与监控

网络定义好后，训练过程的配置同样关键。MATLAB的trainingOptions函数提供了丰富的选项来控制优化器、学习率、验证和输出。

4.1 训练选项的详细配置

options = trainingOptions('adam', ... % 优化器：Adam自适应学习率，通常效果和收敛速度都很好 'InitialLearnRate', 0.001, ... % 初始学习率：一个常用的起点，如果训练不稳定（损失NaN）可以调低（如1e-4） 'MaxEpochs', 150, ... % 最大训练轮数：要足够多，以便看到损失收敛 'MiniBatchSize', 32, ... % 批大小：根据GPU内存调整。小批量有助于泛化，但太小可能不稳定。32/64是常用值。 'Shuffle', 'every-epoch', ... % 每轮训练前打乱数据，防止模型学习到数据顺序 'ValidationData', {XVal, YVal}, ... % 指定验证集，用于监控过拟合 'ValidationFrequency', 30, ... % 每30次迭代验证一次。迭代数=ceil(训练样本数/批大小) 'Verbose', true, ... % 在命令行显示训练进度 'VerboseFrequency', 30, ... % 每30次迭代显示一次信息 'Plots', 'training-progress', ... % 绘制训练过程图，非常直观！ 'ExecutionEnvironment', 'auto', ... % 'auto'优先使用GPU，如果没有则用CPU 'L2Regularization', 1e-4, ... % L2权重正则化系数，惩罚大的权重，进一步防止过拟合 'GradientThreshold', 1, ... % 梯度阈值，防止梯度爆炸。如果遇到梯度NaN，可以尝试降低学习率或调低此值。 'LearnRateSchedule', 'piecewise', ... % 学习率调度策略 'LearnRateDropFactor', 0.5, ... % 学习率下降因子 'LearnRateDropPeriod', 50); % 每50轮学习率乘以0.5

4.2 启动训练与保存模型

配置好选项后，使用trainNetwork函数开始训练。这是最耗时的部分，建议在GPU上进行。

[net, trainInfo] = trainNetwork(XTrain, YTrain, layers, options); % net: 训练好的网络 % trainInfo: 包含训练历史记录的结构体，如每轮的损失、准确率等。 % 保存训练好的模型 save('trained_regression_cnn.mat', 'net', 'trainInfo', 'Y_mean', 'Y_std'); % 务必保存归一化参数，以便对新数据做同样的预处理和反归一化！

4.3 训练过程监控与调优实战

打开‘training-progress’绘图后，你会看到两个关键曲线：训练损失和验证损失。

理想情况：两条曲线都稳步下降，并最终趋于平稳，且两者之间差距很小。这说明模型学习良好，没有严重过拟合。
过拟合迹象：训练损失持续下降，但验证损失在某个点后开始上升或停滞不前。这意味着模型记住了训练数据的噪声，而非一般规律。
欠拟合迹象：训练损失和验证损失都很高，且下降缓慢或很早就停滞了。这说明模型能力不足，无法捕捉数据中的模式。

调优策略：

应对过拟合：
- 增强正则化：增加Dropout率（如从0.5到0.7）、增大L2正则化系数（如从1e-4到1e-3）。
- 简化模型：减少全连接层的神经元数量（如128->64）、减少卷积层滤波器数量或移除一个卷积块。
- 数据增强：对于时序数据，可以在合理范围内添加轻微的高斯噪声、进行时间轴上的微小缩放或平移（Time Warping）。
- 早停（Early Stopping）：根据验证损失不再下降时停止训练。trainingOptions中的‘ValidationPatience’参数可以设置早停耐心值。
应对欠拟合：
- 增加模型容量：增加卷积层或全连接层的宽度/深度。
- 降低正则化：减小Dropout率或L2正则化系数。
- 延长训练时间：增加‘MaxEpochs’，并配合学习率衰减。
- 检查数据预处理：是否归一化不当？是否有太多信息在预处理中丢失？
学习率调整：如果损失曲线震荡剧烈，尝试降低‘InitialLearnRate’。如果后期收敛缓慢，可以启用‘LearnRateSchedule’让学习率逐步衰减。

5. 模型评估、预测与结果反归一化

模型训练完成后，我们需要在独立的测试集上评估其性能，并将预测结果转换回原始尺度，以便业务解读。

5.1 性能评估指标

对于回归问题，常用的指标有：

均方误差 (MSE)：regressionLayer默认使用的损失函数，对大的误差惩罚更重。
均方根误差 (RMSE)：MSE的平方根，与目标值在同一量纲，更直观。
平均绝对误差 (MAE)：对异常值不如MSE敏感。
决定系数 (R²)：表示模型对目标值方差的解释比例，越接近1越好。

% 使用训练好的网络进行预测 YPred_normalized = predict(net, XTest); % YPred_normalized 是归一化后的预测值 % 将预测值和真实值反归一化，还原到原始尺度 YPred = YPred_normalized * Y_std + Y_mean; YTest_original = YTest * Y_std + Y_mean; % 注意：YTest在之前也被归一化了 % 计算评估指标 mse = mean((YPred - YTest_original).^2); rmse = sqrt(mse); mae = mean(abs(YPred - YTest_original)); % 计算R² SS_res = sum((YTest_original - YPred).^2); SS_tot = sum((YTest_original - mean(YTest_original)).^2); r2 = 1 - (SS_res / SS_tot); fprintf('测试集性能指标:\n'); fprintf('MSE: %.4f\n', mse); fprintf('RMSE: %.4f\n', rmse); fprintf('MAE: %.4f\n', mae); fprintf('R²: %.4f\n', r2);

5.2 结果可视化与分析

数字指标很重要，但可视化能让我们更直观地理解模型表现。

% 1. 预测值 vs 真实值 散点图 figure; scatter(YTest_original, YPred, 'b.'); hold on; plot([min(YTest_original), max(YTest_original)], [min(YTest_original), max(YTest_original)], 'r--', 'LineWidth', 2); % 绘制y=x的参考线 xlabel('真实值'); ylabel('预测值'); title('预测值与真实值对比'); legend('数据点', '理想线 (y=x)', 'Location', 'best'); grid on; % 点越靠近红色虚线，预测越准。 % 2. 残差图 (预测误差分布) residuals = YPred - YTest_original; figure; scatter(YPred, residuals, 'b.'); hold on; plot([min(YPred), max(YPred)], [0, 0], 'r-', 'LineWidth', 2); % 绘制零误差线 xlabel('预测值'); ylabel('残差 (预测 - 真实)'); title('残差图'); grid on; % 理想的残差图应该是围绕0水平线随机、均匀分布，没有明显的趋势或异方差性。如果出现漏斗形或曲线，说明模型在某些值区间系统性地预测不准。 % 3. 部分测试样本的序列预测对比 (如果关心时序预测趋势) figure; for i = 1:min(9, size(XTest,4)) % 绘制前9个样本 subplot(3,3,i); % 这里假设我们想查看第一个通道的输入序列（仅作示意，回归预测是单点值） plot(squeeze(XTest(:,1,1,i))); % 绘制第i个样本的第一个通道的输入序列 title(sprintf('样本%d: 真值=%.2f, 预测=%.2f', i, YTest_original(i), YPred(i))); xlabel('时间步'); ylabel('传感器值'); end

5.3 使用模型对新数据进行预测

当有新数据到来时，你需要遵循与训练数据完全相同的预处理流程。

function y_pred_original = predict_new_data(net, new_raw_data, timeSteps, nChannels, train_mu, train_sigma, Y_mean, Y_std) % net: 训练好的网络 % new_raw_data: 新原始数据矩阵，nNewSamples x (timeSteps*nChannels) % train_mu, train_sigma: 训练集上每个通道的均值和标准差，大小为 [1, nChannels] % Y_mean, Y_std: 目标值归一化参数 [nNewSamples, ~] = size(new_raw_data); % 1. 重塑 X_new_reshaped = reshape(new_raw_data, nNewSamples, timeSteps, nChannels); % 2. 使用训练集的统计量进行归一化 X_new_normalized = zeros(size(X_new_reshaped)); for i = 1:nChannels X_new_normalized(:, :, i) = (X_new_reshaped(:, :, i) - train_mu(i)) / train_sigma(i); end % 3. 重构为网络输入格式 X_new_final = permute(X_new_normalized, [2, 3, 1]); X_new_final = reshape(X_new_final, timeSteps, 1, nChannels, nNewSamples); % 4. 预测 Y_pred_normalized = predict(net, X_new_final); % 5. 反归一化 y_pred_original = Y_pred_normalized * Y_std + Y_mean; end

6. 高级话题与性能优化

掌握了基础流程后，我们可以探讨一些提升模型性能和使用体验的高级技巧。

6.1 使用MATLAB Experiment Manager进行超参数调优

手动调参效率低。MATLAB的Experiment Manager App（深度学习工具箱的一部分）可以自动化这个过程。你可以定义要搜索的超参数网格（如学习率、滤波器数量、Dropout率），然后并行运行多个实验，并直观地比较结果。

在APPS选项卡中打开Experiment Manager。
创建新实验，选择“超参数调优”。
定义你的训练函数（即包含数据加载、网络定义、训练选项和训练代码的脚本或函数）。
在超参数表中，指定要优化的参数及其取值范围（如InitialLearnRate从[1e-4, 1e-3, 1e-2]中选择）。
运行实验。管理器会启动多个并行工作进程，尝试所有参数组合。
完成后，可以根据验证集RMSE等指标对实验进行排序，找出最佳超参数组合。

这比手动尝试要系统、高效得多，尤其当超参数空间较大时。

6.2 处理更复杂的数据类型：2D输入与混合输入

有时，多输入数据本身是二维的，比如每个通道是一个频谱图（频率-时间）。这时，输入层尺寸应为[高度，宽度，通道数]，例如[128, 100, 3]（128个频率点，100个时间帧，3个通道）。卷积核也要相应调整为二维，如[3, 3]，以同时捕捉频率和时间上的局部相关性。

另一种情况是混合输入：除了CNN处理的序列/图像数据，还有一些标量特征（如设备型号、运行总时长）。处理方法是构建一个双分支网络：

分支A：CNN，处理高维数据（如传感器序列），输出一个特征向量。
分支B：全连接网络，处理标量特征。
将两个分支的输出在某个全连接层之前进行拼接（concatenationLayer），然后通过后续的全连接层进行融合预测。MATLAB的layerGraph可以很方便地构建这种复杂拓扑。

6.3 模型轻量化与部署考虑

训练好的模型可能较大。如果需要在资源受限的边缘设备或实时系统中部署，可以考虑：

网络剪枝：使用deepNetworkDesigner分析各层权重，移除贡献小的神经元或连接。
量化：将单精度浮点权重（32位）转换为低精度格式（如8位整数），大幅减少模型大小和推理时间。MATLAB提供了模型量化工具和硬件支持包。
使用MATLAB Coder或GPU Coder将模型生成C/C++或CUDA代码，集成到独立的应用程序或嵌入式系统中。

6.4 利用预训练网络或迁移学习

如果你的数据量很小，从头训练一个CNN可能效果不佳。可以考虑迁移学习：

使用预训练的特征提取器：对于图像类二维输入，可以加载在ImageNet上预训练的GoogLeNet、ResNet等网络，移除其最后的分类层，将前面的卷积层作为固定的特征提取器，然后接上新的全连接层来训练回归任务。即使你的数据不是自然图像，预训练网络底层的通用边缘、纹理检测器也可能提供有用的起点。
微调：如果数据量与预训练数据集有一定相似性，可以解冻预训练网络的后几层，与新添加的层一起用较小的学习率进行训练。

对于一维时序数据，虽然缺乏大规模预训练模型，但你可以尝试在公开的大型时序数据集上预训练一个模型，然后迁移到你的小数据集上。

7. 常见问题排查与调试心得

在实际操作中，你肯定会遇到各种报错和不如预期的结果。这里分享一些典型的排查思路。

问题1：训练时损失值为NaN。

原因：最常见的原因是学习率太高，导致梯度更新步伐太大，权重值爆炸。
解决：立即降低‘InitialLearnRate’（例如从0.001降到0.0001）。检查输入数据是否有异常值（NaN或Inf），确保归一化过程正确（分母没有接近零的标准差）。也可以尝试在trainingOptions中设置‘GradientThreshold’为1或更小的值来裁剪梯度。

问题2：验证损失远高于训练损失，且差距随着训练扩大。

原因：典型的过拟合。
解决：参考第4.3节的过拟合应对策略。首先尝试大幅增加Dropout率（如到0.7）和L2正则化。如果无效，果断简化模型架构（减少层数或神经元数）。数据增强也是一个方向。

问题3：训练损失和验证损失都很高，下降缓慢。

原因：欠拟合，或模型能力不足以捕捉数据模式。
解决：增加模型复杂度（更多层、更多滤波器）。检查数据预处理，是否不小心丢失了重要信息？确保归一化没有错误。也可以尝试增大‘MaxEpochs’并观察损失曲线是否在后期有下降趋势。

问题4：predict函数报错，提示输入数据尺寸与网络不匹配。

原因：这是最常遇到的错误之一。网络输入层定义的尺寸是[1000, 1, 3]，但你的预测数据尺寸可能是[1000, 3, 1]或[1, 1000, 3]。
解决：使用size(data)仔细检查你的XTest或新数据的维度。确保它是四维的[1000, 1, 3, nSamples]。回顾第2.2节的数据重构步骤，确保permute和reshape的使用顺序正确。analyzeNetwork(net)可以清晰地显示每一层期望的输入尺寸。

问题5：训练速度非常慢。

原因：没有使用GPU，或批大小设置太小，或网络过于复杂。
解决：首先确认‘ExecutionEnvironment’设置为‘auto’或‘gpu’，并确保MATLAB已检测到可用的GPU（使用gpuDevice命令查看）。适当增大‘MiniBatchSize’可以更充分利用GPU并行能力，但受限于显存。对于复杂网络，可以考虑使用更轻量的架构。

问题6：R²值为负数。

原因：这听起来不可思议，但确实会发生。R²定义为 1 - SS_res/SS_tot。当你的模型预测结果比简单使用目标均值来预测还要差时（即SS_res > SS_tot），R²就会为负。
解决：这强烈表明你的模型完全失败了，没有学到任何有效规律。需要从头检查：数据预处理是否正确？输入和输出是否对应错了？网络结构是否严重不适合（比如用图像分类网络做回归）？学习率是否极端不合理？从最简单的线性回归模型开始验证你的数据管道是否有效，再逐步过渡到CNN。

这个MATLAB CNN回归项目从数据到模型再到评估和调试，基本覆盖了全流程。最关键的是理解每一步背后的意图，而不仅仅是复制代码。当你拿到自己的数据时，耐心地做好数据探索和预处理，从简单的模型开始，逐步迭代优化，记录每一次改动和结果，这才是做项目的正确方式。源码和数据提供了一个可靠的起点，但真正的价值在于你根据具体问题进行的调整和思考。

本文还有配套的精品资源，点击获取