python

导入所需库

import numpy as np
from sklearn.neighbors import NearestNeighbors

trainJKNN 函数

def trainJKNN(dtrn, K):
    nbrs = NearestNeighbors(n_neighbors=K).fit(dtrn)
    knnMatrix, disMatrix = nbrs.kneighbors(dtrn)
    return knnMatrix, disMatrix

trainJKNN 函数接受训练数据集 dtrn 和一个整数 K 作为输入。这个函数首先创建一个 NearestNeighbors 对象并使用 K 作为参数。然后，该对象使用 fit 方法对训练数据集进行拟合。接下来，我们调用 kneighbors 方法来获取训练数据集中每个样本的 K 个最近邻。kneighbors 方法返回两个矩阵：knnMatrix（索引矩阵）和 disMatrix（距离矩阵）。最后，该函数返回这两个矩阵。

testJKNN

def testJKNN(x, dtrn, J, knnMatrix, disMatrix):
    nbrs = NearestNeighbors(n_neighbors=J).fit(dtrn)
    _, J_indices = nbrs.kneighbors([x])
    J_neighbors = J_indices[0]
    neighbors_of_J_neighbors = knnMatrix[J_neighbors]
    score = np.mean(disMatrix[J_neighbors])
    return score

testJKNN 函数接受测试样本 x、训练数据集 dtrn、整数 J、knnMatrix 和 disMatrix 作为输入。这个函数首先创建一个 NearestNeighbors 对象并使用 J 作为参数。然后，该对象使用 fit 方法对训练数据集进行拟合。接下来，我们调用 kneighbors 方法来获取测试样本 x 在训练数据集中的 J 个最近邻。我们只关心索引，所以只获取 J_indices。然后我们提取出 J_neighbors（J_indices 的第一行）。接着，我们计算 disMatrix（距离矩阵）中这些邻居的平均距离，作为 score。最后，该函数返回 score。

find_reverse_neighbors

def find_reverse_neighbors(x, dtrn, J, knnMatrix):
    reverse_neighbors = []
    x_index = np.where((dtrn == x).all(axis=1))[0][0]
    for i, neighbors in enumerate(knnMatrix):
        if any(x_index == J for x_index in neighbors):
            reverse_neighbors.append(i)
    return reverse_neighbors

find_reverse_neighbors 函数用于寻找测试样本 x 的逆近邻。首先，我们找到测试样本 x 在训练数据集 dtrn 中的索引 x_index。接下来，我们遍历 knnMatrix（索引矩阵），检查每个训练样本的近邻中是否包含 x_index。如果是，则将该训练样本的索引添加到 reverse_neighbors 列表中。最后，该函数返回 reverse_neighbors 列表。

find_reverse_neighbors_v2

def find_reverse_neighbors_v2(x, dtrn, J, knnMatrix, disMatrix):
    reverse_neighbors = []
    x_index = np.where((dtrn == x).all(axis=1))[0][0]
    for i, neighbors in enumerate(knnMatrix):
        for j, neighbor in enumerate(neighbors):
            if neighbor == x_index and disMatrix[i, j] != 0:
                reverse_neighbors.append(i)
                break
    return reverse_neighbors

find_reverse_neighbors_v2 函数是另一种寻找测试样本 x 的逆近邻的方法。与 find_reverse_neighbors 函数类似，我们首先找到测试样本 x 在训练数据集 dtrn 中的索引 x_index。接着，我们遍历 knnMatrix（索引矩阵）和 disMatrix（距离矩阵），检查每个训练样本的近邻中是否包含 x_index，同时检查对应的距离是否不为零。如果满足这两个条件，则将该训练样本的索引添加到 reverse_neighbors 列表中，并跳出当前内层循环。最后，该函数返回 reverse_neighbors 列表。

testROCNN

def testROCNN(x, dtrn, J, knnMatrix, disMatrix, method=1):
    if method == 1:
        reverse_neighbors = find_reverse_neighbors(x, dtrn, J, knnMatrix)
    elif method == 2:
        reverse_neighbors = find_reverse_neighbors_v2(x, dtrn, J, knnMatrix, disMatrix)
    else:
        raise ValueError("Invalid method. Choose method 1 or 2.")

    mean_distances = np.mean(disMatrix[reverse_neighbors], axis=1)
    non_zero_mean_distances = mean_distances[np.nonzero(mean_distances)]
    score = np.mean(non_zero_mean_distances) if non_zero_mean_distances.size > 0 else 0
    return score

testROCNN 函数接受测试样本 x、训练数据集 dtrn、整数 J、knnMatrix、disMatrix 和一个可选的方法参数作为输入。根据所选的方法（1 或 2），该函数调用相应的 find_reverse_neighbors 或 find_reverse_neighbors_v2 函数来寻找测试样本 x 的逆近邻。接着，我们计算这些逆近邻的平均距离（mean_distances）。然后，我们从 mean_distances 中提取非零元素（non_zero_mean_distances）。如果 non_zero_mean_distances 非空，我们计算其均值作为 score，否则 score 为 0。最后，该函数返回 score。

可以尝试以下方法来提高 JKNN 的得分：

1. 调整参数： 调整 K 和 J 的值。尝试用不同的 K 和 J 值进行训练和测试，以找到最佳组合。这可以通过网格搜索、随机搜索或贝叶斯优化等技术实现。
2. 特征选择： 使用特征选择技术，如递归特征消除（Recursive Feature Elimination，RFE）、基于 LASSO 的特征选择或树模型（如随机森林）的特征重要性。这可以帮助减少数据集的噪音和维度，并提高算法的性能。
3. 特征缩放： 通过标准化（Standardization）或归一化（Normalization）等方法对特征进行缩放，确保特征在相同的尺度上。这对于基于距离的算法（如 KNN）来说非常重要，因为它们对尺度敏感。
4. 数据预处理： 对数据进行清洗、去除异常值和噪声，以提高模型的性能。
5. 模型集成： 使用多个模型进行集成，如 Bagging、Boosting 或 Stacking。这可以帮助提高模型的泛化能力，并减少单个模型的过拟合风险。
6. 交叉验证： 使用交叉验证（如 K 折交叉验证）评估模型的性能，以确保模型在不同子集上的表现稳定。

请注意，这些方法并不保证一定能提高 JKNN 的得分，但它们通常可以帮助改进基于距离的分类器（如 KNN）的性能。实际效果可能因数据集和具体问题而异。

关于提高 JKNN 的 score，有以下几点建议：

1. 选择合适的 J 和 K 值。不同的 J 和 K 值可能会导致不同的性能。您可以尝试使用交叉验证来选择最佳参数。
2. 数据预处理：对数据进行归一化或标准化处理，以消除特征之间的量纲差异。
3. 特征选择/降维：对数据集进行特征选择或降维（例如，使用主成分分析（PCA）），以消除不必要的特征或降低数据维度。
4. 使用其他距离度量：您可以尝试使用其他距离度量（例如，曼哈顿距离、马氏距离等），以便更好地捕捉数据集中的相似性。
5. 集成方法：将多个分类器的结果结合起来，以提高预测性能。例如，可以使用 bagging 和 boosting 方法。

请使用修复后的 testROCNN 函数，并尝试上述方法以提高 JKNN 的 score。如有任何问题，请随时告诉我。

要在 Python 中打开和预览 MATLAB 文件，您可以使用 scipy.io 库中的 loadmat 函数。loadmat 函数可以读取 MATLAB 保存的 .mat 文件，并将其加载为 Python 中的字典。这是一个简单的示例：

import scipy.io

# 加载 .mat 文件
mat_file = scipy.io.loadmat('your_matlab_file.mat')

# 预览文件内容
for key in mat_file:
    print("Key: ", key)
    print("Value: ", mat_file[key])

请将 your_matlab_file.mat 替换为您要打开的 MATLAB 文件的路径。这个代码片段将打印出文件中所有变量的名称及其对应的值。如果您需要更详细的预览，可以根据需要自定义输出。

X=xlsread('xunliannew.xlsx');
Xtrain1 = X(:,2:end);
for i=1:1:3000
    for j=1:1:72
        Xtrain(1,j,1,i)=Xtrain1(i,j); % 输入数据维度转化
    end
end
ytrain=X(:,1);
ytrain=categorical(ytrain); % 函数包要求标签类型是categorical
layers = [ ...
    imageInputLayer([1 72 1])%%2D-CNN
    convolution2dLayer([1,6],4)
    reluLayer
    maxPooling2dLayer([1 6],'Stride',6)
    convolution2dLayer([1,6],4)
    reluLayer
    maxPooling2dLayer([1 6],'Stride',6)
    fullyConnectedLayer(6)
    softmaxLayer
    classificationLayer];

options = trainingOptions('adam', ...
    'ExecutionEnvironment','cpu', ...
    'MaxEpochs',100,...
    'MiniBatchSize',27, ...
    'GradientThreshold',1, ...
    'Verbose',false, ...
    'Plots','training-progress');

net = trainNetwork(Xtrain,ytrain,layers,options); % 网络训练

XX=xlsread('ceshinew.xlsx');
Xtest1=XX(:,2:end);
for ii=1:1:1200
    for jj=1:1:72
        Xtest(1,jj,1,ii)=Xtest1(ii,jj); % 输入数据维度转化
    end
end
ytest1=XX(:,1);
ytest=categorical(ytest1); %函数包要求标签类型是categorical
YPred = classify(net,Xtest); %网络测试
YPred1 =double(YPred); %转化为可显示的标签
accuracy = sum(YPred == ytest)/numel(ytest)

读取训练集数据：通过调用 xlsread 函数，读取 Excel 文件 "xunliannew.xlsx" 中的数据。 Xtrain1 存储了 Excel 文件中除第一列外的所有数据。

将一维数据转化为卷积神经网络（CNN）所需的三维输入格式：将 Xtrain1 中的每一个数据点的维度从 (1, 72) 转化为 (1, 72, 1)，即将一维数据转化为深度为1的二维图像。

将标签数据转化为 categorical 类型：通过调用 categorical 函数，将 ytrain 转化为分类变量。

定义 CNN 网络：通过定义一个包含多个卷积层、池化层和全连接层的神经网络模型。

定义训练选项：通过调用 trainingOptions 函数，定义了训练神经网络时的选项，如使用 Adam 优化器，最大训练次数、批次大小、梯度阈值等。

训练神经网络：通过调用 trainNetwork 函数，使用上述定义的神经网络模型和训练选项，对训练集进行训练，生成一个训练好的 CNN 模型 net。

读取测试集数据：通过调用 xlsread 函数，读取 Excel 文件 "ceshinew.xlsx" 中的数据。 Xtest1 存储了 Excel 文件中除第一列外的所有数据。

将测试集的一维数据转化为 CNN 所需的三维输入格式：将 Xtest1 中的每一个数据点的维度从 (1, 72) 转化为 (1, 72, 1)，即将一维数据转化为深度为1的二维图像。

将测试集的标签数据转化为 categorical 类型：通过调用 categorical 函数，将 ytest1 转化为分类变量。

使用训练好的 CNN 模型进行测试：通过调用 classify 函数，对测试集数据进行分类预测。预测结果存储在 YPred 中。

将预测结果转化为可显示的标签：通过调用 double 函数，将 YPred 转化为可显示的标签。

计算准确率：通过计算预测结果与测试集标签相符的比例，得到测试集准确率 accuracy。