[论文笔记] CNN计算在工业场景下的一个模型优化案例

已于 2024-03-29 09:02:27 修改
阅读量407 收藏
点赞数 9
分类专栏： XJTU-SY数据集 问题建模 设计 文章标签： cnn 人工智能 神经网络 论文阅读
于 2024-03-28 17:05:35 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/twicave/article/details/137113719
版权

0.背景

这是一篇论文笔记，现在正在处理轴承振动问题，《高噪声下改进卷积神经网络轴承故障诊断》，唐治尧，中国设备工程，2024，是随手找到的一篇使用大数据对既有振动数据集中的数据进行分析的类似样板实现。这里对这篇论文做笔记。

1.论文的目的，实验环境和结论

现有的工业或者竞赛数据集大多在实验环境采集得到，但是只要在现场采集过信号就知道，现场的信号要嘈杂地多。这篇文章在既有的在线可以获取的数据集——美国凯斯西储大学轴承研究所采集的滚动轴承数据：

Download a Data File | Case School of Engineering | Case Western Reserve University

在里面加入了随机的噪声。然后使用经过它改进的CNN算法，对比常见的各种公开算法，在对原始数据加入随机噪声后，比对各种算法的识别效果会是怎样的。

上面的最终评估结果是在切换不同的噪声级别做到的。

  • 横坐标是10db位置是把信噪比提升了14.4倍，-10db是相应噪声的水平扩大到基准值的14.4倍。总共跑了5个算法各11遍。
  • 纵坐标是精度。
  • WDCNN是既有的优选机器学习算法。<
了解本专栏 订阅专栏 解锁全文 超级会员免费看
子正
关注
  • 9
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
PSO优化卷积神经网络模型参数（PSO优化CNN)
08-08
在MNIST数据集上的实验结果显示：通过PSO优化的CNN模型可以得到不错的分类精度，此外，PSO 还可以提高现有模型结构的性能，PSO是自动化超参数选择和有效利用计算资源的有效技术。 针 对CＮＮ 算法的收敛速度较慢、...
Python 轴承故障诊断 卷积神经网络
07-21
根据凯斯西储大学开放轴承数据库数据采集到的轴承诊断数据的特点，以及卷积神经网在处理海量数据中，特征提取的优势以及强大的自学习能力，本文采用了一种基于卷积神经网络的轴承故障诊断算法代码
论文笔记：一分类及其在大数据中的潜在应用综述
爱学习爱运动的专栏
09-07 1054
论文：A literature review on one‑class classification and its potential applications in big data发表：Journal of Big Data在严重不平衡的数据集中，使用传统的二分类或多分类通常会导致对具有大量实例的类的偏见。在这种情况下，对少数类实例的建模和检测是非常困难的。一分类(OCC)是一种检测与已知类实例相比较的异常数据点的方法，可以用于解决与严重不平衡数据集相关的问题，这在大数据中尤其常见。
[论文总结] 深度学习在农业领域应用论文笔记2
You and Me
10-20 3554
文章目录1. A comparative study of fruit detection and counting methods for yield mapping in apple orchards （IF=3.581, 2019）1.1 介绍1.2 实验与结果1.3 定性结果1.4 失败案例1.4.1 检测1.4.2 计数1.5 结论与未来工作2.Wheat crop yield prediction using new activation functions in neural network
R-CNN论文详解（论文翻译）
热门推荐
Cheese的博客
05-08 10万+
faster-rcnn在深度学习领域算是一篇开创性的论文，对后续产生的而网络有很重要的意义，认真读懂这篇论文，相信也算是深度学习入门了 。今天又重新读了读faster-rcnn,整理了一份阅读笔记，整理的过程使自己对整个深度学习又有了更深的理解。果然论文还是应该多读几遍才能理解的。
[论文总结] 深度学习在农业领域应用论文笔记10
You and Me
08-01 5777
对于人类能够识别的字符，计算机会根据某一对应关系将其转换为二进制形式进行保存。这个对应关系就是字符编码表，即什么样的字符对应什么样的二进制编码。这种字符编码表往往是多种多样的，因此，如果我们想要将一个未知编码的二进制文件转换为可读文本进行显示，就需要考其使用的是什么类型的字符编码。关于字符编码的进一步介绍见文章。现实中，往往根据各种字符编码的特征字符来猜测当前文件使用的是什么类型的字符编码。。chardet安装指令如下。...
使用 Python 构建第一个 CNN 机器学习模型的完整指南
最新发布
04-01
在这篇博文中，我们将逐步介绍如何使用 Python 构建第一个卷积神经网络 (CNN) 机器学习模型。由于 CNN 能够捕获数据中的空间层次结构，因此被广泛用于图像识别和分类任务。
一个基于CNN的模型构建与应用的实例
10-05
这是一个基于CNN的模型构建与应用的实例，利用mnist的数据完成手写数字识别，并且使用python的tkinter库完善了GUI部分
基于BWDSP众核的CNN计算任务划分优化
05-06
作为深度学习算法之一的卷积神经网络在多个领域有着重要的应用.因为其网络模型的规模和结构比较复杂，数据量较大，故需要考虑降低其对计算资源的要求.一般地，对于大数据量的计算任务，需要使用数据并行的方法进行...
表达式计算 - 逆波兰式转换及运算示例
含光左卫的工作笔记集
08-28 2292
表达式计算 - 逆波兰式转换及运算示例自定义表达式运算中，涉及到三个步骤： 1.关键字析取 2.中序表达式转逆波兰表达式 3.逆波兰表达式运算。 本实现基于C#，可生成对象化的中序表达式和逆波兰表达式，可处理函数，并有规范的函数运算扩展示例。
机器学习的核心算法 - CNN的原理探讨
含光左卫的工作笔记集
03-25 1769
个人理解：神经网络的计算是一个使用特定的虚拟传感器对数据进行采样（卷积层），然后对卷积层的结果——升维的张量进行归一化和抑制、增强处理（激活函数层），然后将这些数据进行再次采样（池化层）降低解算复杂度。然后对所有传感器的张量数据总体依照标定的输出结果，反向推导参数，甚至逐级回溯，根据大量的数据输入，对特定问题的一组参数矩阵的额求解过程，类似参数拟合。最终将参数稳定下来，求得一个参数矩阵。
C++Builder6.0支持图片插入的TRichEdit增强
含光左卫的工作笔记集
05-24 1744
C++Builder6.0的TRichEdit控件，默认无法显示图片。在有中文字符的情况下，图片的插入位置也无法很好控制，以下这段代码解决了这两个问题。 这部分代码分为三个部分： 1.让TRichEdit支持图片插入的代码 #include #include #include #include #include struct TRichEditOleCallback
一个简单的串行协议的封装
含光左卫的工作笔记集
08-11 1742
所有的软件开发人员都会在他的职业历程中设计一个串行口收发单元。这里展示了一个 基于串行口的协议封装实现。大家可以对比一下自己的实现看看。首先需要对整个软件的结构进行拆分。理论上它应当至少分割为三个大的部分： 1.通讯层。处理bit流的传递。 2.数据帧层。处理frame的析取和打包。 3.应用层。处理各个独立的数据帧。并提供更上层的信息通道。通讯层最先构建，并可进行独立测试。它又按照内部的逻
Pic Kit3.5仿真器的自动烧写功能
含光左卫的工作笔记集
03-23 1663
注意右下角那个Auto Import Hex + Write Device.按钮。 在第一次连接到板子后，这个按钮就会激活，点击后，这个PicKit3 Programmer会利用windows自身的文件修改感知功能，侦听对应的.hex是否被改写，一旦文件的modify time被刷新。它就会自动启动加载.hex，并完成烧写动作。
应用程序窗体切至前台的方法
含光左卫的工作笔记集
10-25 1538
using System; using System.Collections.Generic; using System.ComponentModel; using System.Data; using System.Drawing; using System.Linq; using System.Text; using System.Threading.Tasks; using System.W
windows平台python脚本执行环境搭建笔记
含光左卫的工作笔记集
06-09 1221
python的执行环境搭建指导，包括模块的安装简要说明...
振动分析领域：加速度传感器的量程估算
含光左卫的工作笔记集
05-19 1217
在测震动和噪声的场合，现有的加速度传感器，需要客户提供加速度值的大致区间。这个值该怎么计算呢？它几乎完全与被测信号的频率有关。因为所有的信号，按照频域展开的视角，都会简化为一个个正弦波。a = 4*freq.
卷积神经网络python代码轴承故障诊断
03-08
卷积神经网络（Convolutional Neural Network，CNN）是一种常用于图像处理和模式识别的深度学习模型。在轴承故障诊断中，CNN可以用于提取轴承振动信号的特征，并进行分类判断是否存在故障。 以下是一个简单的使用Python编写的卷积神经网络代码示例，用于轴承故障诊断： ```python import numpy as np import tensorflow as tf from tensorflow.keras import layers # 构建卷积神经网络模型 model = tf.keras.Sequential() model.add(layers.Conv1D(32, 3, activation='relu', input_shape=(100, 1))) model.add(layers.MaxPooling1D(2)) model.add(layers.Conv1D(64, 3, activation='relu')) model.add(layers.MaxPooling1D(2)) model.add(layers.Flatten()) model.add(layers.Dense(64, activation='relu')) model.add(layers.Dense(1, activation='sigmoid')) # 编译模型 model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # 加载数据集并进行预处理 x_train = np.load('train_data.npy') y_train = np.load('train_labels.npy') x_test = np.load('test_data.npy') y_test = np.load('test_labels.npy') # 将数据转换为适合输入模型的形状 x_train = np.expand_dims(x_train, axis=2) x_test = np.expand_dims(x_test, axis=2) # 训练模型 model.fit(x_train, y_train, epochs=10, batch_size=32, validation_data=(x_test, y_test)) # 使用模型进行预测 predictions = model.predict(x_test) # 打印预测结果 print(predictions) ``` 请注意，上述代码仅为示例，实际应用中需要根据具体情况进行适当的修改和调整。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

子正

thanks, bro...

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值