训练集数组是(61440, 200) 、标签是(61440, 4)测试集数组是(15360, 200) 、标签是(15360, 4)使用keras搭建1D CNN模型结构

好的，以下是一个基本的1D CNN模型结构的示例：

from keras.models import Sequential
from keras.layers import Conv1D, MaxPooling1D, Flatten, Dense

model = Sequential()

# 添加一个1D卷积层，使用64个卷积核，卷积核大小为3，激活函数为relu
model.add(Conv1D(64, 3, activation='relu', input_shape=(200, 1)))

# 添加一个最大池化层，池化大小为2
model.add(MaxPooling1D(pool_size=2))

# 添加一个1D卷积层，使用32个卷积核，卷积核大小为3，激活函数为relu
model.add(Conv1D(32, 3, activation='relu'))

# 添加一个最大池化层，池化大小为2
model.add(MaxPooling1D(pool_size=2))

# 添加一个1D卷积层，使用16个卷积核，卷积核大小为3，激活函数为relu
model.add(Conv1D(16, 3, activation='relu'))

# 添加一个最大池化层，池化大小为2
model.add(MaxPooling1D(pool_size=2))

# 将输出展平为一维向量
model.add(Flatten())

# 添加一个全连接层，输出大小为128，激活函数为relu
model.add(Dense(128, activation='relu'))

# 添加一个输出层，输出大小为4（标签的数量），激活函数为softmax
model.add(Dense(4, activation='softmax'))

# 编译模型，使用adam优化器和交叉熵损失函数
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 打印模型结构
model.summary()

这个模型使用了3个1D卷积层和3个最大池化层，然后将输出展平为一维向量，接着使用一个全连接层和一个输出层。在编译模型之后，我们使用模型的summary方法来显示模型的结构。请注意，我们的输入形状为(200, 1)，因为我们的训练集和测试集都是(样本数，特征数)的形状。