本项目基于可解释的解析样条神经网络思想，通过 `KANLayer.m` 将样条/基函数作为可学习的非线性单元，以 `KANNetwork.m` 模块化装配输入层—若干隐藏层—输出层，`BuildNet.m` 负责网络参数化与初始化（含输入/输出归一化边界、样条节点与宽度等），形成既具表达力又具物理含义的结构；实现流程上，训练脚本完成数据读取与标准化、前向传播与损失计算、反向传播更新样条系数与权重与可视化工具生成散点密度与“预测 VS 真实”图件；相较传统黑盒模型，本方案优势在于：对小样本与噪声更鲁棒、可通过样条形状观测局部拟合行为、可按需扩展隐藏宽度与样条密度以线性提升容量、依托 MATLAB Deep Learning Toolbox 的自定义层接口易于部署与复现，并提供从构建—训练—预测—评估—出图的一体化示例与脚本，开箱即用。

## 目录结构

- `BuildNet.m`：网络构建入口（创建并返回模型）

- `KANLayer.m`：自定义层实现

- `KANNetwork.m`：网络装配与前向/参数初始化

- `net_YX1.mat` / `net_YX2.mat`：已构建好的网络，对应数据集YX1.xlsx、数据集YX2.xlsx

- `TrainingCode/`：

  - `demo_Train.m`：训练示例脚本

  - `demo_Predict.m`：预测示例脚本

  - `CalError.m`：误差计算

  - `calSNR.m`：信噪比计算

  - `createScatterDensity.m`、`DrawDensScat.m`、`ksdensity.m`：散点密度图工具

- `数据集YX1.xlsx` / `数据集YX2.xlsx`：示例数据集（n列），第1列为目标变量，第2-n列为特征变量

- `图件/数据集YX1|YX2/`：训练与预测图像示例

## 环境要求

- MATLAB R2020b 或更高版本

- 工具箱：Deep Learning Toolbox

## 快速开始

1) 打开 MATLAB，将工作目录切换到项目根目录。

run('BuildNet.m');

- 弹出第1个对话框：选择Excel存放的数据（如数据集YX1.xlsx）

- 弹出第2个对话框：设置网络的保存路径和名称

2) 运行训练示例（以 YX1 为例）：

run('TrainingCode/demo_Train.m');

- 弹出第1个对话框：选择Excel存放的数据（如数据集YX1.xlsx）

- 弹出第2个对话框：选择构建的网络

- 弹出第3个对话框：设置训练网络的保存路径和名称

3) 运行预测示例（加载已训练权重并预测）：

run('TrainingCode/demo_Predict.m');

- 弹出第1个对话框：选择Excel存放的特征变量（n-1列）

- 弹出第2个对话框：选择训练的网络

- 弹出第3个对话框：设置预测值的保存路径和名称

4) 结果与图件会在命令行与 `图件/` 中查看。

## 网络构建说明

- 使用 `BuildNet.m` 生成网络对象；内部依赖 `KANLayer.m` 与 `KANNetwork.m` 完成层定义与网络装配。

- 可配置项（示例，具体以代码实现为准）：

    - InputDim：输入特征维度

    - NumHidden：隐藏层神经元数

    - NumKnots：样条节点数

    - xmin：输入数据最小值 (1 x InputDim)

    - xmax：输入数据最大值 (1 x InputDim)

    - ymin：输出数据最小值 (标量)

    - ymax：输出数据最大值 (标量)