生成一个matlab用于数据分析的CNN网络，数据有55个序列，共100000条数据，训练集：确定集：测试集=3：1：1

好的，以下是一个简单的 MATLAB 代码来创建一个用于数据分析的 CNN 网络，并使用 3:1:1 的比例划分数据集：

% 导入数据
data = load('data.mat'); % 假设数据保存在 data.mat 文件中
X = data.X; % 数据
Y = data.Y; % 标签

% 划分数据集
[trainInd,valInd,testInd] = dividerand(size(X,2),0.3,0.1,0.1); % 3:1:1 的比例划分数据集
X_train = X(:,trainInd);
Y_train = categorical(Y(trainInd));
X_val = X(:,valInd);
Y_val = categorical(Y(valInd));
X_test = X(:,testInd);
Y_test = categorical(Y(testInd));

% 创建 CNN 网络
layers = [
    imageInputLayer([55 1 1])
    
    convolution2dLayer([3 1],8,'Padding','same')
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer([2 1],'Stride',[2 1])
    
    convolution2dLayer([3 1],16,'Padding','same')
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer([2 1],'Stride',[2 1])
    
    fullyConnectedLayer(32)
    reluLayer
    fullyConnectedLayer(2)
    softmaxLayer
    classificationLayer];

% 设置训练选项
options = trainingOptions('adam', ...
    'MiniBatchSize', 64, ...
    'MaxEpochs', 20, ...
    'InitialLearnRate', 0.001, ...
    'Shuffle', 'every-epoch', ...
    'ValidationData', {X_val, Y_val}, ...
    'ValidationFrequency', 10, ...
    'Verbose', true, ...
    'Plots', 'training-progress');

% 训练 CNN 网络
net = trainNetwork(X_train, Y_train, layers, options);

% 评估网络
Y_pred = classify(net, X_test);
accuracy = sum(Y_pred == Y_test) / numel(Y_test);
fprintf('测试集准确率：%.2f\n', accuracy);

这里使用了一个包含两个卷积层和两个全连接层的简单 CNN 网络，并使用了 Adam 优化器进行训练。你可以根据实际情况进行修改和优化。