Update Feature_extraction_algorithms/PSTAAP.py

Feature_extraction_algorithms/PSTAAP.py

@@ -6,41 +6,30 @@ import scipy.io
 def load_precomputed_fr_matrix(mat_file_path: str):
     """
     从 .mat 文件直接加载预先计算好的 Fr 矩阵并进行缓存。
-
-    Args:
-        mat_file_path (str): .mat 文件的路径。
+    ...
     """
     global _cached_fr_matrix, _expected_length_after_processing
     
     print(f"正在从 {mat_file_path} 加载预计算的 Fr 矩阵...")
     
     try:
-        # 加载 .mat 文件，它会被读成一个字典
         mat_data = scipy.io.loadmat(mat_file_path)
         
-        # !!! 关键步骤: 你需要知道 .mat 文件中矩阵的变量名 !!!
-        # 假设变量名是 'Fr_train'。如果不是，请修改这里的键值。
-        # 你可以通过 print(mat_data.keys()) 来查看 .mat 文件中所有的变量名。
-        matrix_key = 'Fr_train' # <--- 如果需要，请修改这个变量名
+        # --- !!! 这里是唯一的修改点 !!! ---
+        # 将 'Fr_train' 修改为 'Fr'，以匹配您的 .mat 文件
+        matrix_key = 'Fr' # <--- 修改这里！
+        
         if matrix_key not in mat_data:
             raise KeyError(f"在 {mat_file_path} 中未找到变量名 '{matrix_key}'。 "
                            f"文件中可用的变量有: {list(mat_data.keys())}")
             
         _cached_fr_matrix = mat_data[matrix_key]
         
-        # 从加载的矩阵形状推断出序列的期望长度
-        # Fr 矩阵的形状是 (8000, seq_len - 2)
-        # 所以，处理后的序列长度 = Fr矩阵的列数 + 2
         _expected_length_after_processing = _cached_fr_matrix.shape[1] + 2
 
         print(f"Fr 矩阵加载并缓存成功。形状: {_cached_fr_matrix.shape}")
         print(f"推断出的序列期望长度 (处理后): {_expected_length_after_processing}")
 
-    except FileNotFoundError:
-        raise FileNotFoundError(f"错误：未能找到 .mat 文件于路径: {mat_file_path}")
-    except Exception as e:
-        # 捕获其他可能的错误，例如文件格式问题或键错误
-        raise RuntimeError(f"加载 .mat 文件时发生错误: {e}")
 
 # --- 模块级缓存 ---
 # 这个变量将会在内存中存储计算好的Fr矩阵，避免重复计算和文件IO。