CNN网络代码实现

1. 编程学习

（1）板坯在辊道上传动-宽厚板厂（引用python的librosa库对.wav音频文件进行波形处理）

（2）除鳞喷水

简单了解了librosa库，接下来更深入学习。

2.  Tensorflow（keras）、多层感知器（神经网络）、多个神经元（多分类）

在Anaconda GPU、Pycharm环境下，以CIFAR10_CNN和FASHION_CNN数据集学习五种神经网络。卷积计算可对图片进行特征提取方法，同样也可以对音频进行特征提取，卷积算法中，最大池化可以提取图片纹理，均值池化可以保留背景特征。在音频中，原始波形为输入的一维卷积神经网络，二维卷积神经网络以频域特性作为输入，并且， python中librosa包可进行音频分析，该软件包设计用于分析音乐和音频文件，用于提取音频功能和开发信息可视化。先在pycharm中实现五种神经网络对两种图片的预测模型，通过loss和acc曲线进行比较学习。（LeNet、AlexNet、VGGNet、InceptionNe、ResNet）

经过学习发现，ResNet 网络的运行速度更慢，但是精准率较高，在第三次迭代的时候已经达到了93%。怎样选取最优神经网络，以及怎样设置最优相关参数，怎样将钢厂相关音频处理用神经网络解决，还没想好具体的应用。通过查看文献以及相关的资料，现在对于图像处理和识别的技术研究相对成熟，图像和音频有相似之处，音频可用图像、数据以及其他的形式表现，

接下来，将特征提取的相关算法实现，并且完成相关实例仿真，继续阅读特诊提取、特征选择相关文献以及异常声音的检测算法和相关文献。继续学习python的librosa库对音频进行相关处理。