- 博客(3)
- 收藏
- 关注
RSS订阅原创 卷积神经网络对时序信号的分类预测
Step4: 结构层设计,Matlab自带的库函数是处理图像的,因此输入层也是图片的输入格式,但是序列信号可以看作图像信息的特例,将其中的过程矩阵用行向量取代,本文介绍的CNN实例,包含四个卷积层,三个池化层,两个全连接层(即BP网络中的隐藏层),使用的激活函数为ReLU,全连接层的权系数节点丢弃率为0.2,同时设计softmax的多分类;%等价于 X(1,:,1,k) = (x(k,:) -mean(x(k,:))) / std(x(k,:));%滤波器长度为11,个数为4,输出的数据跟输入维度相同。
2023-05-28 15:38:39
547
原创 基于六轴传感器信号和深度学习模型的人体动作识别深度学习之卷积神经网络
本文中的使用分类模型中常用的交叉熵作为损失函数，在训练过程中的损失函数曲线描述了模型在训练集上收敛到逼近真实值的速度。但通过对原始输入变换为图像再进行的2D-CNN，中间使用了信号变换这个操作，也是一种特征工程，此时的深度学习模型不是一种纯粹上的端到端处理框架，但在实际应用中所构建的深度学习模型通常也会有一定程度使用人工特征工程。因此，导致使用机器学习进行的人体动作分类识别性能主要依赖于人工特征的质量，这对人体动作分类的智能化需求是一个巨大的挑战，这也是传统机器学习方法的局限性。
2023-05-28 15:23:17
505
4
原创 基于机器学习和深度学习的电能质量扰动识别
如今，伴随着深度学习技术的不断兴起与完善，在研究电能质量扰动检测与分类时，引入深度学习的方法，如卷积神经网络、循环神经网络等，深度学习采用了端到端的特征提取与分类手段，有效解决了因传统人工手段提取特征而产生的特征冗余与特征分量提取不足的问题，能够解决和处理大量扰动数据，增加了有效特征的数据量并加深网络层次，有效提高识别准确率。其中，电能质量扰动信号的检测参数一般为信号的扰动开始与结束时刻、电压幅值波动等，利用检测的参数提取相关数值特征量，比如均值、方差、峭度等，取的相关特征量输入到分类器中进行分类。
2023-05-05 16:45:03
332
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人