2021-04-25

最新推荐文章于 2024-03-18 11:10:06 发布

qq_41611588

最新推荐文章于 2024-03-18 11:10:06 发布

阅读量786

点赞数

分类专栏：深度学习文章标签：神经网络卷积深度学习数据挖掘

本文链接：https://blog.csdn.net/qq_41611588/article/details/116135850

版权

本文介绍了1维卷积神经网络（1D-CNN）在处理1维信号如心电信号、振动信号等领域的应用，对比了其与2D-CNN的优缺点。1D-CNN因其参数少、训练简单和计算效率高，在资源有限的场景下更适用。文章通过Keras框架展示了1D-CNN在模拟电路故障诊断中的应用，并提供了实验电路和数据集的描述。

摘要由CSDN通过智能技术生成

一维卷积神经网络(1D-CNN)

常见用的卷积神经网络（CNN，convolutional neural network)为2D-CNN,即卷积核为两维，常用于处理图片、视频等数据，已经成功应用于许多计算机视觉和模式识别任务中。在采用CNN处理1维信号时，通常需要将1维信号转换为2维再输入CNN中，例如将1D振动信号、心电信号等通过各种变换方式变成2D图片后输入CNN。然而，采用2D-CNN处理1D信号时存在以下缺点：

处理2维数据时，算法计算复杂度更高，通常需要更高性能的硬件来进行训练，因此不是特别适用于实时应用场景和低功耗、低内存的设备；
通常2D-CNN需要大量训练数据，然而许多1D信号处理领域缺乏大量标记数据。

近年来，越来越多的学者采用紧凑的1D-CNN来直接处理1D信号，已经成功应用于心电信号分类、结构健康监测、轴承故障诊、模拟电路故障诊断、大功率发动机故障监控等多个领域。相比于2D-CNN，1D-CNN具有参数量小、训练容易、计算量小等优点。1D-CNN与2D-CNN结构类似，只是卷积核为1维卷积，1D-CNN通常包括1D卷积层、降采样Pooling层和全连接层，通过反向传播算法对每个卷积单元参数进行优化。1D-CNN主要的超参包括：卷积层和全连接层数、卷积核大小、降采样因子大小、激活函数、学习率等。1D-CNN网络结构如图1所示。

图1 1D-CNN网络结构图
卷积层将输入的局部区域与多个滤波器核进行卷积操作，然后送入神经元产生输出特征。每个过滤器采用相同的内核来提取输入局部区域的局部特征，这通常称为权重共享。卷积操作可以定义为：
$\mathrm{y}_{i}^{l+1}(j)=K_{i}^{\top} * x^{l}(j)+b_{i}^{l}$