简介：研一已经结束，感觉动手能力太差，找了一篇优秀的博主的文章，然后进行学习，奈何

科研小白，代码经过各种查找，终于明白了原理。

在此先感谢博主"秋雨行舟"，他还有B站对应的讲解，贼良心的一位博主！！

链接：https://blog.csdn.net/qq_38918049/article/details/124992113?spm=1001.2014.3001.5501

对博主中的代码做了稍许修改，添加了大量注释，以此篇博客记录学习过程中的收获。

数据集：凯斯西储实验室的轴承故障诊断（振动加速度采集的）和我的研究对象很很相似，都是一维时间序列的目标，所以拿来练手。

平台：jupyter notebook，把每一行代码所表述的意思完全展示出来了，更加容易理解代码执行过程，相较于pyhcarm更加友好，对跑神经网络，因为能够直观的看到运行过程。

环境：win10，tensorflow2.1(感觉深度学习，版本可以不要太高，要不然很多不兼容，整着好麻烦，我就是从tensorflow版本2.5降到了2.1，目前为止用的还可以，可能以后还有升级，，，)。

代码介绍：从10个.mat文件中经过一系列数据处理（内容是真滴丰富）分为1500个（784,1）的训练集和750个（784,1）的验证集和测试集，搭建CNN模型（函数式）进行训练，通过测试集进行评估。

代码获取：可以从“秋雨行舟”博主上去找资源，也可以找我啊，我基本上把每行代码都注释了，也欢迎研究一维时间序列目标检测，目标识别的小伙伴一块组队学习啊！

一.数据预处理

1.1 从.mat文件中读取数据的字典

1.2划分训练集和测试集

1.3训练集，测试集打标签

1.4数据标准化并把测试集再分为测试集和验证集

二.搭建1DCNN模型

2.1 数据处理

2.2 定义一个保存最佳模型的方法

2.3 搭建模型

2.4 编译模型

2.5训练模型并保存

2.6效果展示（损失，精确对比）

三.评估模型

四.混淆矩阵

五.总结

一.数据预处理

1.1 从.mat文件中读取数据的字典

# 定义函数把原始数据打包成字典
def capture(original_path):files = {}for i in filenames:file_path = os.path.join(d_path, i)     file = loadmat(file_path)               # loadmat()加载.mat函数file_keys = file.keys()        # 获取加载后的.mat文件的键值，也就是‘12k_Drive_End_B007_0_118.mat’这种for key in file_keys:  # 获取所有文件中结构体中含有字符为DE的数据，并将数据写入字典中if 'DE' in key: # 这个地方‘DE’在这组数据中都有‘Drive_End’所以相当于遍历了，如果是凯斯西储实验室的其他几组数据，要换一下files[i] = file[key].ravel()  # 转换为一维数组return files
data = capture(original_path=d_path)
data

1.2划分训练集和测试集

# 定义参数
rate = [0.5, 0.25, 0.25]  # 训练集，测试集，验证集划分比例（测试集和验证集这个步骤在一块）
number = 300  # 每类样本的数量
length = 784        # 样本长度
# 定义划分训练集和测试集的函数
def slice_enc(data, slice_rate=rate[1] + rate[2]):keys = data.keys()Train_Samples = {}Test_Samples = {}for i in keys:slice_data = data[i]   # 遍历到.mat字典的每个值，也就是data的array部分（用键去遍历）all_lenght = len(slice_data)# end_index = int(all_lenght * (1 - slice_rate))     # 感觉这个被山区的注释这一行才对啊，能理解# 下面是每个.mat数据中的value部分拿出一半做训练集的一部分samp_train = int(number * (1 - slice_rate))  # 1000(1-0.3)  # 不明白这个地方的备注（1000（1-0.3））  不应该是300*（1-0.5）？Train_sample = []Test_Sample = []# 抓取训练数据放到训练集中for j in range(samp_train):   # （遍历150次）# 每个.mat数据的训练集的长度sample = slice_data[j*150: j*150 + length]  # （0:784） 也就是每个训练数据为（784，1）Train_sample.append(sample)   # 把每个做训练的部分放到训练集中# 抓取测试数据for h in range(number - samp_train):   # （遍历150次）sample = slice_data[samp_train*150 + length + h*150: samp_train*150 + length + h*150 + length] # 每条测试数据为（784，1）Test_Sample.append(sample)  # 把每个做测试的部分放到测试集中# 遍历的每条数据把划分的训练数据，测试数据放到对应集合中Train_Samples[i] = Train_sampleTest_Samples[i] = Test_Samplereturn Train_Samples, Test_Samples
train,test = slice_enc(data)

# 每个.mat数据划分为多少个训练字段，
# 所以总共10个原始数据，每个原始数据划分为150个训练字段
for i in train.keys():a = train[i]len(a)print(len(a))
[out]:
150
150
150
150
150
150
150
150
150
150

1.3训练集，测试集打标签

# 定义添加标签的函数
def add_labels(train_test):X =[]Y = []label = 0for i in filenames:   # 遍历每个.mat数据，（i=0，第一个mat数据中的150条训练数据的标签设为0）x = train_test[i]X += xlenx = len(x)Y += [label] *lenxlabel +=1return X,Y# 为训练集制作标签
Train_X ,Train_Y = add_labels(train)
# Train_X，Train_Y中1500条训练数据，每150条训练数据对应一个标签，有0-9个10个不同的标签类型

1.4数据标准化并把测试集再分为测试集和验证集

# 定义标准化函数
def scalar_stand(Train_X, Test_X):# 用训练集标准差标准化训练集以及测试集data_all = np.vstack((Train_X, Test_X))    # 数据降为一维平铺scalar = preprocessing.StandardScaler().fit(data_all)  # sklearn.preprcoessing包下的数据标准化函数Train_X = scalar.transform(Train_X)   #调用 .transform函数对数据进行标准化Test_X = scalar.transform(Test_X)return Train_X, Test_X
# 测试集再分为测试集和验证集（比例1:1）
def valid_test_slice(Test_X, Test_Y):test_size = rate[2] / (rate[1] + rate[2])# n_splits=1，将其分成一组也就是两部分，test_size每组的比例ss = StratifiedShuffleSplit(n_splits=1, test_size=test_size)  # 拿出一半做测试集，一半做验证集（test_size=0.5）Test_Y = np.asarray(Test_Y, dtype=np.int32)   # 更新Test_Yfor train_index, test_index in ss.split(Test_X, Test_Y):X_valid, X_test = Test_X[train_index], Test_X[test_index]    # 把验证集和训练集对应Y_valid, Y_test = Test_Y[train_index], Test_Y[test_index]return X_valid, Y_valid, X_test, Y_test
normal = True  # 是否标准化
# 执行标准化
if normal:Train_X, Test_X = scalar_stand(Train_X, Test_X)Train_X = np.asarray(Train_X)   # 经过方法np.asarray(x)得到最新的x
Test_X = np.asarray(Test_X)
# 把测试集拿出一半做验证集
Valid_X, Valid_Y, Test_X, Test_Y = valid_test_slice(Test_X, Test_Y)

二.搭建1DCNN模型

2.1 数据处理

2.2 定义一个保存最佳模型的方法

# 保存最佳模型
class CustomModelCheckpoint(keras.callbacks.Callback):# 使用回调函数来观察训练过程中网络内部的状态和统计信息r然后选取最佳的进行保存def __init__(self, model, path):  # (自定义初始化)self.model = modelself.path = pathself.best_loss = np.inf # np.inf 表示+∞，是没有确切的数值的,类型为浮点型  自定义最佳损失数值def on_epoch_end(self, epoch, logs=None): # on_epoch_end(self, epoch, logs=None)在每次迭代训练结束时调用。在不同的方法中这个logs有不同的键值val_loss = logs['val_loss'] # logs是一个字典对象directory；if val_loss < self.best_loss:print("\nValidation loss decreased from {} to {}, saving model".format(self.best_loss, val_loss))self.model.save_weights(self.path, overwrite=True)  # overwrite=True覆盖原有文件  # 此处为保存权重没有保存整个模型self.best_loss = val_loss

2.3 搭建模型

# 搭建模型框架（函数式API方法）
def mymodel():inputs = keras.Input(shape=(Train_X.shape[1],Train_X.shape[2]))# ([1500, 784, 1])把【784,1】传入输入层，没看数据处理时，还不知道为啥这样传h1= layers.Conv1D(filters=8,kernel_size=3,strides=1,padding='same',activation='relu')(inputs) h1 = layers.MaxPool1D(pool_size=2,strides=2,padding='same')(h1)h2 = layers.Conv1D(filters=16,kernel_size=3,strides=1,padding='same')(h1)h2 = layers.MaxPool1D(pool_size=2,strides=2,padding='same')(h2)h3 = layers.Flatten()(h2)   # 扁平层，方便全连接层传入数据h4 = layers.Dropout(0.6)(h3)  # Droupt层舍弃百分之60的神经元h5 = layers.Dense(32,activation='relu')(h4)   # 全连接层，输出为32outputs = layers.Dense(10,activation='softmax')(h5)  # 再来个全连接层，分类结果为10种（9种故障类型，1种正常的）#   不要出现中文，，，，，，血泪教训，最开始把1DCNN模型，有模型二字，导致编译出错，一顿爆改！deep_model = keras.Model(inputs,outputs,name = '1DCNN')  # 整合每个层，搭建1DCNN模型成功return deep_model

2.4 编译模型

# 编译模型，（优化器：Adam，损失函数：sparse_categorical_crossentropy）
model.compile(optimizer=keras.optimizers.Adam(),loss='sparse_categorical_crossentropy',metrics=['accuracy'])

2.5训练模型并保存

history = model.fit(Train_X, Train_Y,batch_size=256, epochs=50, verbose=1,validation_data=(Valid_X, Valid_Y),callbacks=[CustomModelCheckpoint(model, r'mybestcnn.h5')])  # verbose=1带进度条的输出日志信息

2.6效果展示（损失，精确对比）

三.评估模型

四.混淆矩阵

五.总结

第一次完整的看完一篇代码，权当入门起步！，因为版本和环境的问题，把代码从pycharm转到jupyter，着实费了了我好大力，一行一行代码去百度，最后才完成，遇到很多困难，但解决掉BUG的时候真滴酸爽！！！！！！！！

基于1DCNN(一维卷积神经网络）的目标识别相关推荐

基于1DCNN(一维卷积神经网络）的机械振动故障诊断
基于1DCNN(一维卷积神经网络)的机械振动故障诊断机械振动故障诊断最为经典的还是凯斯西储实验室的轴承故障诊断,开学一周了,上次改编鸢尾花分类的代码可用,但是并不准确.开学一周重新改编了别人的一篇代 ...
分类预测 | MATLAB实现1-DCNN一维卷积神经网络分类预测
分类预测 | MATLAB实现1-DCNN一维卷积神经网络分类预测目录分类预测 | MATLAB实现1-DCNN一维卷积神经网络分类预测基本介绍程序设计学习总结参考资料基本介绍使用卷积 ...
基于一维卷积神经网络的滚动轴承故障识别
基于一维卷积神经网络的滚动轴承故障识别文章目录基于一维卷积神经网络的滚动轴承故障识别一.数据预处理二.模型构建三.模型训练四.模型测试总结一.数据预处理采用美国凯斯西储大学(CWRU ...
基于FPGA的一维卷积神经网络CNN的实现（二）资源分配
资源分配环境:Vivado2019.2. Part:xcku040-ffva1156-2-i,内嵌DSP个数 1920个,BRAM 600个也就是21.1Mb. 说明:通过识别加高斯白噪声的正弦波. ...
基于FPGA的一维卷积神经网络CNN的实现（一）框架
理论建立与效果展示环境:Vivado2019.2. Part:xcku040-ffva1156-2-i,内嵌DSP个数 1920个,BRAM 600个也就是21.1Mb. 说明:通过识别加高斯白噪声 ...
基于FPGA的一维卷积神经网络CNN的实现（三）训练网络搭建及参数导出（附代码）
训练网络搭建环境:Pytorch,Pycham,Matlab. 说明:该网络反向传播是通过软件方式生成,FPGA内部不进行反向传播计算. 该节通过Python获取训练数据集,并通过Pytorch框架 ...
基于一维卷积神经网络对机械振动信号进行分类并加以预测
基于一维卷积神经网络对机械振动信号进行分类并加以预测 *使用一维卷积神经网络训练振动信号进行二分类 2020年7月16日,一学期没等到开学,然而又放假了. 总览CSDN中大多数卷积神经网络都是对二维图 ...
基于tensorflow和卷积神经网络的电影推荐系统的实现
基于tensorflow和卷积神经网络的电影推荐系统的实现一. 数据处理 1. MovieLens数据集 2. 处理后的数据二. 建模&训练 1. 嵌入层 2. 文本卷积层 3. 全连接层 ...
【深度学习】基于Pytorch的卷积神经网络概念解析和API妙用(一)
[深度学习]基于Pytorch的卷积神经网络API妙用(一) 文章目录 1 不变性 2 卷积的数学分析 3 通道 4 互相关运算 5 图像中目标的边缘检测 6 基于Pytorch的卷积核 7 特征映射 ...

基于1DCNN(一维卷积神经网络）的目标识别

一.数据预处理

1.1 从.mat文件中读取数据的字典

1.2划分训练集和测试集

1.3训练集，测试集打标签

1.4数据标准化并把测试集再分为测试集和验证集

二.搭建1DCNN模型

2.1 数据处理

2.2 定义一个保存最佳模型的方法

2.3 搭建模型

2.4 编译模型

2.5训练模型并保存

2.6效果展示（损失，精确对比）

三.评估模型

四.混淆矩阵

五.总结

基于1DCNN(一维卷积神经网络）的目标识别相关推荐

最新文章

热门文章