1d-CNN_1DCNN_机器学习_python__1d-cnn资源-CSDN文库

共1个文件

py：1个

版权申诉

5星 · 超过95%的资源 156 浏览量 2021-10-03 02:13:54 上传评论 5 收藏 3KB RAR 举报

1D卷积神经网络（1D-CNN）是深度学习领域中一种专门处理一维序列数据的模型，常被应用于语音识别、文本分类、音乐情感分析等任务。在这个机器学习的作业中，1D-CNN被用作故障识别，这是一种典型的监督学习问题，通过训练模型学习从输入特征中区分不同类型的故障状态。 1D-CNN的核心结构包括卷积层（Conv1D）、池化层（MaxPooling1D）和全连接层（Dense）。卷积层在数据序列上滑动窗口进行特征提取，每个窗口对应一个可学习的滤波器，滤波器的权重参数会在训练过程中更新，以捕获一维数据中的模式。池化层通常用于降低数据的维度，减少计算量，同时保持模型的泛化能力。全连接层则将提取的高级特征映射到输出类别。在Python中，我们可以使用Keras库来构建1D-CNN模型，它是一个高级神经网络API，基于TensorFlow或Theano。以下是一个简单的1D-CNN模型构建示例： ```python from keras.models import Sequential from keras.layers import Conv1D, MaxPooling1D, Flatten, Dense model = Sequential() model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(n_timesteps, n_features))) model.add(MaxPooling1D(pool_size=2)) model.add(Flatten()) model.add(Dense(10, activation='softmax')) # 假设10个不同的故障类别 ``` 在上述代码中，`filters`定义了卷积核的数量，`kernel_size`是卷积核的大小，`activation`指定激活函数，`input_shape`是输入数据的形状，`pool_size`为池化层的窗口大小，`Dense`层的节点数量对应输出类别的数目。在模型构建完成后，我们需要设置损失函数、优化器和评估指标，然后进行模型编译和训练。例如： ```python model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) history = model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_val, y_val)) ``` 这里，`loss`是多分类交叉熵，`optimizer`是常用的Adam优化器，`metrics`用于评估模型性能。`fit`函数用于训练模型，`epochs`是训练轮数，`batch_size`是每次更新权重时使用的样本数，`validation_data`用于验证集上的性能评估。 1D-CNN的优势在于其能够自动学习到输入序列中的局部特征，并通过堆叠多个卷积层来捕获更复杂的模式。然而，选择合适的网络结构、超参数以及预处理步骤对模型性能至关重要。在实际应用中，可能还需要进行特征工程，如标准化、填充序列等，以适应1D-CNN的要求。 1D-CNN是处理一维序列数据的强大工具，尤其在故障识别这样的任务中，它可以有效地识别出数据中的故障模式，提高预测的准确性和效率。通过不断优化和调整，1D-CNN模型可以为各种序列数据问题提供有价值的解决方案。在Python中，利用Keras库可以方便地实现和训练这些模型，使得机器学习实践变得更加便捷。

资源推荐

资源详情

资源评论

收起资源包目录

1d-CNN.rar （1个子文件）

1d-CNN.py 7KB

# -*- coding: utf-8 -*- """ Created on Tue Oct 22 00:54:18 2019 @author: 潮洛蒙 """ from scipy.io import loadmat import keras from keras.layers import Dense, Conv1D, BatchNormalization, MaxPooling1D, Activation, Flatten, Dropout, LSTM from keras.optimizers import Adam,SGD from keras.models import Sequential from keras.utils import plot_model from keras.regularizers import l2 from keras.callbacks import EarlyStopping from sklearn.metrics import roc_auc_score from sklearn.metrics import roc_curve,auc from sklearn.metrics import confusion_matrix, classification_report import matplotlib.pyplot as plt import random import numpy as np import time # 训练参数 batch_size = 128 epochs =500 num_classes = 10 proportion=0.10#所用训练集的比例 BatchNorm = True # 是否批量归一化 normal = True # 是否标准化 C0= loadmat('dataset/0.mat') C1= loadmat('dataset/1.mat') C2= loadmat('dataset/2.mat') C3 = loadmat('dataset/3.mat') C4 = loadmat('dataset/4.mat') C5= loadmat('dataset/5.mat') C6 = loadmat('dataset/6.mat') C7 = loadmat('dataset/7.mat') C8 = loadmat('dataset/8.mat') C9 = loadmat('dataset/9.mat') #将数据处理成三列长条，三列中每个元素是截取的一段 train_DE = list(range(10)) test_DE = list(range(10)) for i in range(0,10): name=eval('C'+'%s'%i) train_DE[i]=name['train_DE_time'] test_DE[i]=name['test_DE_time'] train_FE = list(range(10)) test_FE = list(range(10)) for i in range(0,10): name=eval('C'+'%s'%i) train_FE[i]=name['train_FE_time'] test_FE[i]=name['test_FE_time'] train_BA = list(range(10)) test_BA = list(range(10)) train_BA[0]=np.zeros(shape=(100000,1)) test_BA[0]=np.zeros(shape=(20000,1)) for i in range(1,10): name=eval('C'+'%s'%i) train_BA[i]=name['train_BA_time'] test_BA[i]=name['test_BA_time'] seqlength=500 interval=50#步进的数据量 train_size=int((100000-seqlength)/interval+1) test_size = int((20000 - seqlength) / interval)+1 #初始化 x_train = np.zeros(shape=[train_size * 10, 3, seqlength,1]) x_test = np.zeros(shape=[test_size * 10, 3, seqlength,1]) y_train = np.zeros(train_size*10) y_test = np.zeros(test_size*10) #放入数据 for i in range(10): for j in range(train_size): x_train[i * train_size + j][0] = train_DE[i][interval * j:interval * j + seqlength] x_train[i * train_size + j][1] = train_FE[i][interval * j:interval * j + seqlength] x_train[i * train_size + j][2] = train_BA[i][interval * j:interval * j + seqlength] y_train[i * train_size + j] = i for j in range(test_size): x_test[i * test_size + j][0] = test_DE[i][interval * j:interval* j + seqlength] x_test[i * test_size + j][1] = test_FE[i][interval* j:interval* j + seqlength] x_test[i * test_size + j][2] = test_BA[i][interval* j:interval * j + seqlength] y_test[i * test_size + j] = i #one-hot编码 y_train = keras.utils.to_categorical(y_train, 10) y_test = keras.utils.to_categorical(y_test, 10) #随机化训练集,所以后面可以通过重复取平均的方法直接进行交叉验证 index = [i for i in range(len(x_train))] random.shuffle(index) x_train = x_train[index] y_train = y_train[index] x_train = x_train[0:int(train_size * 10 * proportion), ] y_train = y_train[0:int(train_size * 10 * proportion), ] #reshape x_train = x_train.reshape(x_train.shape[0], seqlength, 3) x_test = x_test.reshape(x_test.shape[0], seqlength, 3) input_shape = ( seqlength, 3) #一维卷积网络构建 model = Sequential() #第一层卷积 model.add(Conv1D(filters=16, kernel_size=64, strides=16, padding='same', kernel_regularizer=l2(1e-4), input_shape=input_shape)) model.add(BatchNormalization()) model.add(Activation('relu')) model.add(MaxPooling1D(pool_size=2)) #第二层卷积 model.add(Conv1D(32,kernel_size=3, strides=1, padding='same', kernel_regularizer=l2(1e-4), input_shape=input_shape)) model.add(BatchNormalization()) model.add(Activation('relu')) model.add(MaxPooling1D(pool_size=2, strides=2, padding='valid')) #LSTM #model.add(LSTM(64, activation='tanh', recurrent_activation='hard_sigmoid', kernel_initializer='glorot_uniform', recurrent_initializer='orthogonal', bias_initializer='zeros', return_sequences=True)) model.add(Flatten()) model.add(Dropout(0.2)) model.add(Dense(32)) model.add(Activation("relu")) model.add(Dense(units=10, activation='softmax', kernel_regularizer=l2(1e-4))) sgd = SGD(lr=0.05, decay=1e-6,momentum=0.9,nesterov=True) early_stopping = EarlyStopping(monitor='val_loss',patience=40,verbose=2) model.compile(optimizer='Adam', loss='categorical_crossentropy', metrics=['accuracy']) model.summary() History=model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, verbose=1, validation_split=0.2, shuffle=True, callbacks=[early_stopping]) scores=model.evaluate(x_test,y_test) print() print('accuracy=', scores[1]) #f score train_pre= model.predict_classes(x_train) test_pre=model.predict_classes(x_test) print('训练集分类报告\n',classification_report(np.argmax(y_train,1),train_pre)) print('测试集分类报告\n',classification_report(np.argmax(y_test,1),test_pre)) #confusion matrix绘制 predictions= model.predict_classes(x_test) def my_plot_confusion_matrix(cm, labels_name, title): cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis] # 归一化 plt.imshow(cm, interpolation='nearest') # 在特定的窗口上显示图像 plt.title(title) # 图像标题 plt.colorbar() num_local = np.array(range(len(labels_name))) plt.xticks(num_local, labels_name, rotation=90) # 将标签印在x轴坐标上 plt.yticks(num_local, labels_name) # 将标签印在y轴坐标上 plt.ylabel('True label') plt.xlabel('Predicted label') cm = confusion_matrix(np.argmax(y_test, 1), predictions) print(cm) labels=['0','1','2','3','4','5','6','7','8','9'] my_plot_confusion_matrix(cm, labels, "HAR Confusion Matrix") plt.savefig('/HAR_cm.png', format='png') plt.show() #ROC绘制 y_score=model.predict_proba(x_test) def paintRoc(y_true,y_score,i): fpr,tpr,thresholds=roc_curve(y_true.ravel(),y_score.ravel()) roc_auc=auc(fpr,tpr) plt.plot(fpr,tpr,lw=5,alpha=0.8,color='r',label='ROC_auc(AUC=%0.2f)'%(roc_auc)) plt.plot([0, 1], [0, 1], linestyle='--', lw=2, color='r', label='Luck', alpha=.8) plt.xlabel('FPR') plt.ylabel('TPR') plt.title('Roc(AUC=%0.2f of state %d)'%((roc_auc),i)) plt.legend(loc="lower right") plt.show() for i in range(10): paintRoc(y_test[:,i],y_score[:,i],i)

评论收藏

内容反馈

版权申诉