拓扑推理：把邻接矩阵和节点特征形式数据集转换为可以训练CNN等序列模型的数据集
原始数据：
Signals存了1000个30节点的节点特征
Tp存了1000个邻接矩阵
Tp_list存了1000个关系真正列表
上面这种数据比较适合Pytorch Geometric架构下生成训练图神经网络模型的数据集：
但如果用CNN等序列模型进行拓扑推理，得遍历拼接节点特征对。
比如我要预测节点i与节点j是否有关系，我把节点i的特征（长度L）和节点j的特征（长度L）串起来（长度2L），用一维CNN或RNN什么的进行预测。
这个时候需要对上面的数据集略微处理，程序如下：
def generate_dataset():dataset_n = 1000base_dir = "D:\无线通信网络认知\论文1\大修意见\Reviewer2-7 多种深度学习方法对比实验\\test data 30 (mat)\\"mat_file = h5py.File(base_dir + '30_nodes_dataset.mat', 'r')# 获取数据集signals = mat_file["Signals"][()]tp = mat_file["Tp"][()]tp_list = mat_file["Tp_list"][()]Signals = np.swapaxes(signals, 2, 0)Tp = np.swapaxes(tp, 2, 0)# tp_list = tp_list - 1# 关闭文件mat_file.close()#把每张图的数据和标签都装进去x_list = []y_list = []for n in range(0,dataset_n,1):# print("n: ",n)signals = Signals[n,:,:]L = 2 * signals.shape[1] # 待分析的2个信号拼在一起tp = Tp[n,:,:]# x 的形状为 (100000, 3600)x = np.zeros((N * N, L))# y 的形状为 (100000, 1)y = np.zeros((N * N, 1))# 生成 x 和 yindex = 0#处理正样本for i in range(N):for j in range(N):if i!=j and tp[i, j]==1:combined_signal = np.concatenate((signals[i, :], signals[j, :]))x[index, :] = combined_signaly[index, 0] = 1index += 1#算负样本总共有多少n_pair_list = []for i in range(N):for j in range(N):if i!=j and tp[i, j] == 0:n_pair_list.append((i,j))np.random.seed(42)indices = np.arange(len(n_pair_list))np.random.shuffle(indices)n_pair_list = np.array(n_pair_list)n_pair_list = n_pair_list[indices]#根据正样本数取负样本n_pair = n_pair_list[:index,:]for k in range(n_pair.shape[0]):i = n_pair[k, 0]j = n_pair[k, 1]combined_signal = np.concatenate((signals[i, :], signals[j, :]))x[index, :] = combined_signaly[index, 0] = 0index += 1x = x[:index,:]y = y[:index, :]x_list.append(x)y_list.append(y)x = np.vstack(x_list)y = np.vstack(y_list)return x, y最终，数据和真值存储在x和y中：