利用CNN对光谱图进行分类的代码

以下是一个基于CNN对光谱图进行分类的Python代码示例：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Conv2D, Flatten, MaxPooling2D
from sklearn.model_selection import train_test_split

# 加载数据集并进行预处理
data = np.load('spectra_data.npy')
labels = np.load('spectra_labels.npy')
data = np.expand_dims(data, axis=-1)  # 扩展维度以适配CNN的输入

# 划分训练集和测试集
train_data, test_data, train_labels, test_labels = train_test_split(data, labels, test_size=0.2, random_state=42)

# 构建CNN模型
model = Sequential()
model.add(Conv2D(32, kernel_size=(3, 3), activation='relu', input_shape=(200, 200, 1)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, kernel_size=(3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dense(2, activation='softmax'))

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(train_data, train_labels, batch_size=32, epochs=10, validation_data=(test_data, test_labels))

# 评估模型
test_loss, test_acc = model.evaluate(test_data, test_labels)
print('Test accuracy:', test_acc)

在这个示例中，我们首先加载了光谱数据集和标签。数据集是一个形状为（样本数，200，200）的numpy数组，其中200是光谱图像的宽度和高度。我们使用`np.expand_dims`将数据集扩展到4D张量以适应CNN的输入。然后，我们使用`train_test_split`函数划分了训练集和测试集。

接下来，我们定义了一个简单的CNN模型，其中包括两个卷积层和两个池化层，以及两个全连接层。该模型输出2个类别的概率，我们使用`softmax`激活函数将其转换为概率分布。我们使用`categorical_crossentropy`损失函数和`adam`优化器进行编译。

最后，我们使用`fit`方法来训练模型，并在训练过程中使用测试集进行验证。我们使用`evaluate`方法评估模型在测试集上的性能。