简介：一份基于MATLAB编程的卷积神经网络（CNN）地震等级预测项目，面向地震数据处理、深度学习入门及MATLAB应用开发者。项目将CNN的卷积层、池化层、全连接层等核心结构引入地震信号特征提取与分类，实现了从数据预处理、网络训练到等级预测的完整流程，适合已具备基础MATLAB与机器学习概念的读者动手研究。压缩包共含33个文件，以30个m脚本为主，辅以2个mat格式的数据文件和1个xlsx工作簿，体积仅370KB。脚本覆盖网络结构初始化、前向与反向传播、数值梯度检查、超参数组合生成、随机种子设置等关键环节，结构清晰、模块化程度高，便于读者逐段运行并理解CNN的内部运作。目前该资源已有351人学习，适合希望通过实际代码掌握CNN细节或开展地震预测相关研究的技术人员。代码中提供的辅助函数可用于地震信号预处理、参数组合生成、梯度验证等操作，直接修改后即可复用，有助于缩短模型搭建周期，为地震等级预测与防灾减灾研究提供一条可复现的技术路径。
1. 是什么：基于MATLAB手写实现CNN地震等级预测，值得跑一遍
最近在整理深度学习相关的代码包，翻到一个基于MATLAB编程环境的CNN（卷积神经网络）工程，目标是做地震等级预测。它不是用MATLAB深度学习工具箱那套封装好的层对象堆出来的，而是把卷积、池化、前向传播、反向传播全部手写拆开，一整套.m文件摆在面前。对于想搞清楚CNN内部计算过程的人来说，这种工程比调用trainNetwork有价值得多——你可以单步执行，看每一个矩阵在每一层里怎么变形的。
这套资源的核心结果是：读取地震记录特征，经过卷积层提取局部模式，再经过池化降维，最后用softmax输出地震等级；训练完成后把网络参数存到net_cnn.mat里，后续预测直接加载。适合的人很明确：学过深度学习理论但没看过底层代码的MATLAB用户，或者做信号处理想切到深度学习方向的研究生。它能解决的实际问题是，把「地震等级预测」这个听起来很玄的任务，落到一组可以逐行执行的脚本上。
2. 数据准备与文件角色：从 xlsx 到 datan.mat 再到 net_cnn.mat
2.1 搞清每个 .m 文件的角色，先别急着点运行
下载解压后，文件夹里二十多个文件，第一眼容易懵。但把它们归一下类，结构其实很清晰。整个工程的主线是：原始数据 → 预处理脚本 → 网络定义 → 训练主循环 → 梯度检查 → 结果输出。
main.m是唯一的人口脚本，负责串起整个流程。工作簿1.xlsx是原始地震记录表，需要先转换成MATLAB能直接读的格式。datan.mat就是转换后的数据文件，里面通常包含输入特征矩阵和标签向量。CNN.m是网络实例的定义，可以理解为一个放网络结构和参数的容器。cnnsetup.m负责把每一层初始化，包括卷积核尺寸、步长、填充、权重和偏置的随机取值。cnnff.m是前向传播，cnnbp.m是反向传播，这两个是整个工程的核心。cnntrain.m是训练调度，负责按epoch和batch组织数据流。cnnapplygrads.m把算出来的梯度更新到权重上。cnnnumgradcheck.m做数值梯度检查。allcomb.m生成超参数组合。visualize.m把学到的卷积核画出来看。
我一般会先打开main.m看它调用了哪些函数，按调用顺序在脑海里过一遍，再动手跑。这样即使某个函数报错，也知道是哪个环节出了问题。
2.2 把工作簿1.xlsx 转成 datan.mat：一个容易卡住的预处理步骤
打开main.m你会发现，它第一行可能是load('datan.mat')，但压缩包里没有现成的datan.mat转换脚本。这算是这类老工程的通病：数据预处理步骤被省略了。常见做法是手动用脚本把工作簿1.xlsx转换保存成datan.mat，如果你用的是较新版本的MATLAB，readtable配合table2array是最省事的路径。
% 读取Excel表格 T = readtable('工作簿1.xlsx'); % 假设前N-1列是特征，最后一列是地震等级标签 X = table2array(T(:, 1:end-1)); Y = table2array(T(:, end)); % 保存为datan.mat，变量名与main.m中load后使用的变量保持一致 save('datan.mat', 'X', 'Y'); disp('datan.mat 生成完毕');这段代码的逻辑：readtable把Excel读成表格对象，table2array转成数值矩阵，最后用save存成.mat文件。需要特别注意的是，main.m里如果写的是load('datan.mat')，后续引用的是X和Y这两个变量名，那转换脚本里的变量名就必须严格一致，否则运行到一半会出现“未定义变量”的报错。如果你的Excel表里标签不是最后一列，把T(:, end)改成对应的列索引即可。数据量如果比较大，建议转换前先看一眼whos('X')确认矩阵规模，防止内存爆掉。
2.3 zscore 归一化：为什么地震信号必须先做这一步
地震信号本身是幅值差异很大的时间序列，浅源地震和深源地震的振幅可能差几个数量级。如果原始数据直接喂给CNN，卷积核的权重更新会被大数值特征主导，小数值特征根本学不到。zscore.m的作用就是把每一列特征变成零均值、单位方差，公式是(x - mu) / sigma。
% 对特征矩阵X逐列做zscore归一化 mu = mean(X, 1); sigma = std(X, 0, 1); sigma(sigma == 0) = 1; % 防止常量列导致除零 X_norm = (X - mu) ./ sigma; save('datan.mat', 'X_norm', 'Y', 'mu', 'sigma');这里的逻辑是逐列求均值和标准差，然后用广播方式做除法。sigma(sigma == 0) = 1这一行的必要性在于：如果某一列特征是常数，标准差是0，直接除会得到NaN，后续训练必然崩。这种做法适用于均值方差归一化，如果你的地震特征是频域能量谱之类本身就比较平稳的指标，也可以跳过这步，直接用原始值训练，看验证集效果再决定。
3. 卷积与反向传播的手写实现：cnnff、cnnbp 的两个关键细节
3.1 cnnsetup 初始化：卷积核尺寸、池化尺度怎么定
地震等级预测本质上是信号分类问题。如果每条地震记录是1×N的时间序列，可以重排成二维矩阵当作“图像”输入。cnnsetup.m里一般会定义输入层尺寸、卷积核数量、池化窗口大小等。常见的做法是设计C-S-C-S结构，即卷积层和池化层交替。
% cnnsetup.m 核心结构示意 layers = struct(... 'type', {'i', 'c', 's', 'c', 's', 'f'}, ... 'mapsize', {inputSize, [], [], [], [], []}, ... 'kernelsize', {[], 5, [], 5, [], []}, ... 'scale', {[], [], 2, [], 2, []}, ... 'outputmaps', {1, 8, 8, 16, 16, numClasses});参数说明：第一层i是输入层，mapsize填原始数据的行数和列数；第二层c是卷积层，kernelsize=5表示5×5的卷积核，outputmaps=8表示生成8个特征图；第三层s是池化层，scale=2表示2×2池化，把特征图尺寸减半；第四层再卷一次，输出16个特征图；最后f是全连接层，输出神经元数等于地震等级类别数。这套结构是从图像分类任务迁移过来的，对一维地震信号同样适用，因为地震波形中的P波、S波到时差异、振幅衰减模式都可以被局部卷积核捕捉。
3.2 cnnff 前向传播：卷积输出尺寸计算与池化下采样
卷积层的前向传播逻辑：把上一层的每个特征图与对应的卷积核做互相关运算，加上偏置，再通过激活函数。工具箱风格的实现里，cnnff.m会对每个卷积核、每个输入特征图做循环，然后用convn函数完成卷积。
% cnnff.m 卷积层前向传播核心代码 for k = 1 : net.layers{l}.outputmaps for j = 1 : net.layers{l-1}.outputmaps % 对每个输入特征图与卷积核做卷积，累加 net.layers{l}.a{k} = net.layers{l}.a{k} + ... convn(net.layers{l-1}.a{j}, net.layers{l}.k{k}{j}, 'valid'); end % 加上偏置并过激活函数 net.layers{l}.a{k} = sigm(net.layers{l}.a{k} + net.layers{l}.b{k}); end逻辑说明：这里的convn用的是'valid'模式，意味着输出尺寸等于(输入尺寸 - 卷积核尺寸 + 1)，不做填充。比如32×32的输入，5×5的卷积核，卷积后是28×28。为什么要用'valid'？因为这个手写工具箱默认不填充，简化了计算和梯度推导。如果你的输入数据是64×64，想要保持尺寸不变，需要手动在cnnff.m里改成'same'模式，同时反向传播里的rot180操作也要做相应调整，否则梯度维度对不上。
池化层更直接，用的是mean池化：对每个2×2窗口取平均，特征图尺寸减半。这个操作的核心价值是降维和轻微平移不变性。
% cnnff.m 池化层前向传播 net.layers{l}.a{j} = squeeze(... mean(reshape(net.layers{l-1}.a{j}, ... size(net.layers{l-1}.a{j}, 1) / net.layers{l}.scale, ... net.layers{l}.scale, []), 2));参数说明：这里scale=2，把输入特征图按行分成scale份，再对第二维求均值，等效于2×2平均池化。注意size(..., 1) / scale要求输入尺寸能被scale整除，如果你的原始地震图尺寸是奇数，会在这里直接报错。解决办法是调整输入尺寸或把特征图裁剪到偶数。
3.3 cnnbp 反向传播：两个绕不开的坑
反向传播是手写CNN最劝退的部分。cnnbp.m里最核心的两个操作是：池化层的误差上采样，卷积层的误差计算。池化层误差上采样用的是Kronecker积扩展，因为前向把2×2合并成了1×1，反向就要把1×1的误差复制回2×2。
% cnnbp.m 池化层误差上采样 net.layers{l}.d{j} = kron(net.layers{l+1}.d{j}, ... ones(net.layers{l}.scale) / net.layers{l}.scale);这里kron的作用就是Kronecker积，如果上一层误差是m×n，乘以ones(2)/2就变成2m×2n。除以scale是因为前向做了平均，梯度要按同样的比例分配回每个输入位置，否则梯度会被放大，训练不稳定。
卷积层反向传播另一个关键细节是卷积核要旋转180度再做convn。原因是卷积前向是互相关操作，反向传播时误差要通过旋转的卷积核传回上一层，这是手写实现里最容易漏掉的地方。我见过不少人在这一步直接用原卷积核做卷积，导致梯度方向错误，训练损失不降反升。
% cnnbp.m 卷积层误差回传 net.layers{l}.d{j} = sum(convn(net.layers{l+1}.d{k}, ... rot180(net.layers{l}.k{k}{j}), 'full'), 3);rot180把卷积核旋转180度，'full'模式让输出尺寸恢复为输入尺寸。sum(..., 3)是对多个特征图的梯度做累加，因为前向卷积时多个输入图累加成了同一个输出图。这套逻辑从图像分类到地震信号分类都是一样的，弄懂了这两个细节，整个反向传播就通了一大半。
4. 训练主循环与超参：cnntrain 调度与 cnntest 评估
4.1 cnntrain 的批次调度逻辑
cnntrain.m是训练调度器，负责把数据打乱、分batch、调用cnnff和cnnbp、更新权重。核心循环是：每个epoch遍历所有batch，每个batch前向计算损失，反向计算梯度，然后用cnnapplygrads.m更新权重。
% cnntrain.m 核心循环示意 for epoch = 1 : numepochs % 打乱数据顺序，避免模型学到样本顺序 indices = randperm(numSamples); for batch = 1 : numBatches batchIndices = indices((batch - 1) * batchSize + 1 : batch * batchSize); net = cnnff(net, X(:, :, batchIndices)); net = cnnbp(net, Y(:, batchIndices)); net = cnnapplygrads(net, opts); end end逻辑说明：randperm打乱样本顺序，cnnff算前向，cnnbp算反向，cnnapplygrads更新权重。这个调度方式里，学习率、动量系数、权重衰减都由opts结构体控制。
4.2 超参数表：哪些值值得改，哪些是雷区
跑这个工程，超参数不能乱设。我整理了一张参数表，按「值得调节」和「不建议动」做了区分。
| 超参数 | 常见取值 | 影响 | 备注 |
|---|---|---|---|
| 学习率 | 0.05 ~ 0.1 | 学习率太大梯度震荡，太小收敛极慢 | 工具箱默认0.05，如果损失不降先降低到0.01 |
| batchSize | 50 ~ 100 | 太小梯度噪声大，太大内存紧张 | 地震数据量通常不大，50起步 |
| numepochs | 10 ~ 50 | 迭代太少欠拟合，太多过拟合 | 观察训练集与验证集损失差值 |
| 动量系数 | 0.9 ~ 0.95 | 加速收敛，抑制震荡 | 手写工具箱常内置在cnnapplygrads里 |
| 卷积核数量 | 8 / 16 | 太少特征提取不够，太多计算慢 | C-S-C-S结构下8到16够用 |
| 池化尺度 | 2 | 下采样倍率 | 不建议改，除非输入尺寸特殊 |
在这套手写工具箱里，学习率直接影响训练稳定性。地震数据特征维度如果很大，梯度数值也大，学习率要往小了调。我跑过类似的数据，学习率从0.05调到0.03之后，损失曲线明显平稳。numepochs也不宜一上来设太大，先跑5个epoch看损失趋势，如果还在下降就继续加。
4.3 cnntest 与 net_cnn.mat：训练完怎么保存和加载
cnntest.m在训练结束后对测试集做前向传播，算出分类准确率。工程里net_cnn.mat就是训练完成后的网络快照，里面存的是所有权重和偏置。
% 保存训练好的网络 save('net_cnn.mat', 'net'); % 后续预测新样本 load('net_cnn.mat'); pred = cnnff(net, newSample); [~, predLabel] = max(pred, [], 1); disp(['预测地震等级：', num2str(predLabel)]);逻辑说明：cnnff只需要前向传播，不需要反向，所以预测阶段可以直接复用这个函数。max取输出层概率最大的那个类别索引作为预测等级。这里要注意，newSample的尺寸必须与训练时输入一致，而且如果训练前做了zscore归一化，预测前也要用之前保存的mu和sigma对新样本做同样的变换，否则特征分布不一致，预测结果不靠谱。
5. 避坑记录：跑这个包一定会遇到的四个问题
5.1 中文注释乱码，MATLAB 2023 之后尤其明显
现象：打开main.m，中文注释全是乱码，像一篇天书。原因：这套工程注释是GBK编码写的，MATLAB R2023a之后默认编辑器编码改成了UTF-8，两种编码不兼容。解决：直接用系统自带记事本打开.m文件，另存为UTF-8编码覆盖原文件；或者在MATLAB命令行执行feature('DefaultCharacterSet', 'UTF-8')，再重启MATLAB。从那以后我解压任何老工程，第一件事就是检查编码。
5.2 convn 输出尺寸报错，输入尺寸不是偶数
现象：运行cnnff.m报错，提示矩阵维度不一致。原因：池化层的reshape要求输入特征图尺寸能被scale整除，如果地震数据重排后的行数或列数是奇数，到池化层必然崩。解决：在main.m里对输入数据做裁剪，X = X(1:32, 1:32, :)这类操作，把尺寸规整到2的幂次倍数，比如32、64、128。
5.3 训练损失变成 NaN，zscore 除零导致
现象：训练第一个epoch，损失就是NaN，往后全是NaN。原因：前面提到过，如果某列特征的标准差为0，zscore会把这一列变成NaN，NaN参与矩阵运算后扩散到全部梯度。解决：在zscore.m里加一行sigma(sigma == 0) = 1;。这是这套工程预处理阶段最隐蔽的一个坑，因为不带检查时不会报错，只会静默产生NaN。
5.4 预测结果全部是同一个等级，类别分布不平衡
现象：训练集准确率很高，但测试集预测结果总是输出同一个地震等级。原因：地震数据里中小震样本往往远多于大震样本，CNN学到的最优策略是全部预测为多数类。解决：在main.m里对样本做类平衡采样，对大震类别过采样或对小震类别欠采样。这类问题与模型架构无关，纯粹是数据分布问题，换更复杂的网络也一样。
6. 梯度检查与网格搜索：训练前花五分钟做的验证步骤
cnnnumgradcheck.m是这包里最容易被忽略但最有价值的工具。它的原理是用数值方法计算梯度的近似值，与反向传播计算出的解析梯度做对比。数值梯度用中心差分公式：(J(theta + eps) - J(theta - eps)) / (2*eps)，其中eps取1e-6左右。如果两者相对误差小于1e-9，说明反向传播实现正确。
% 梯度检查调用示例 numgrad = computeNumericalGradient(@(theta) cnnCost(theta, ...), netParams); analgrad = cnnbp(net, Y_); diff = norm(numgrad - analgrad) / norm(numgrad + analgrad); disp(['相对误差：', num2str(diff)]);这里的逻辑是：把网络所有参数拉成一个向量，分别用数值法和解析法各算一次梯度，最后算相对误差。如果diff在1e-9量级，说明cnnbp没问题；如果误差在1e-2甚至更大，说明反向传播某处梯度计算错误，重点检查cnnbp.m里池化层的kron上采样和卷积层的rot180是否写反了。
数据量小的时候，网格搜索超参数是完全可行的。allcomb.m的作用就是生成所有参数组合，配合cnntrain做枚举训练。
% 用allcomb生成3组学习率与3组batchSize的9种组合 [lrList, bsList] = allcomb([0.01, 0.03, 0.05], [50, 100, 200]); for i = 1 : size(lrList, 1) opts.alpha = lrList(i); opts.batchsize = bsList(i); net = cnntrain(net, X, Y, opts); % 记录验证集准确率，选择最优参数 endallcomb返回的每一行是一组参数组合，循环里逐组训练、逐组验证，最后挑验证集准确率最高的一组参数，再用全量数据重新训练一遍。这套流程在数据量不超过几千条时很快，因为手写CNN的计算量本来就比现代深度框架小一个数量级。但要注意，网格搜索只在训练时间可控时才有意义，如果一组参数要跑十几分钟，建议改成随机搜索，每组参数间隔采样。
跑这个包最大的教训是：手写CNN最大的价值不是拿来换预测精度，而是拿来当教学骨架。你把cnnbp.m每一行都调通、跑过梯度检查之后，再去用MATLAB深度学习工具箱里的convolution2dLayer，你会知道它背后在做什么。从那以后我每次搭建信号分类网络，都会先用类似这样一套手写代码跑通一个小数据集做验证，再上大模型。希望帮到你。
本文还有配套的精品资源，点击获取
