序列数据
文章平均质量分 89
基于轴承振动序列数据对轴承状态的估计。
楚江客
这个作者很懒,什么都没留下…
展开
-
DeepAR论文笔记
1. what is motivation?研究动机在近年来,时间序列预测出现新局面:海量(上千甚至是上百万)相关时间序列的预测。例如,预测城市中每户居民的用电量,大型零售商所有商品的销量等。在上述所有场景中,可以使用那些过去相似、或相关的时间序列来对单个时间序列进行建模预测。 这样做的优势是:可以拟合复杂模型而不产生过拟合,免去传统机器学习中所必须的大量人工特征制作的过程。2. What is the problem the paper wants to solve?论文想要解决的问题是什么?海量(原创 2021-07-15 22:21:47 · 1116 阅读 · 1 评论 -
PoissonRegression
1.3 Poisson回归1.3.1 Poisson回归建模的动机我们所感兴趣的因变量y\bold{y}y是计数数据count data,而且不是正态分布的,即是稀有事件。例如,生产线上的不合格产品的数目,软件中的bug数,每天接到电话的数目。而且1(1) 在一个短区间Δz\Delta zΔz内,发生一次事件的概率与Δz\Delta zΔz成正比: ηΔz\eta \Delta zηΔz 。(2) 在短区间Δz\Delta zΔz内发生两次及以上事件的概率可以忽略。(3) 在不重叠的短区间Δz\D原创 2021-04-26 11:32:10 · 834 阅读 · 0 评论 -
Poisson随机现象
1. Poisson随机现象1.1 引言文献[1]中的例子:1898年由Ladislaus Bortkiewicz在《小数法则》中提出了一个实际应用的例子。当时他得到一个任务:调查1875到1894年的20年间普鲁士军队14个军团中偶然被马踢伤而致死的士兵数量。这 20×14= 280 个纪录, 见“./data/因马踢伤死亡士兵数.xlsx”,按死亡人数来分,则如下表左二栏所示: 表1-1 因马踢伤致死的士兵数x=每年因马踢伤死亡士兵数记录数(次/团年)0141.原创 2021-04-23 15:51:40 · 569 阅读 · 1 评论 -
迁移学习笔记
迁移学习:深度学习模型的举一反三技能为什么需要迁移学习?训练数据集所在场景中训练的模型,无法直接在新的应用场景下使用。例如,使用青少年的微博文本训练的情绪识别模型,无法直接使用到中老年用户群体上。俗称让深度学习能够“举一反三”。迁移学习指的是将源域数据集(青少年群体微博文本, “一”)学习到的模型迁移到目标域数据集(中老年微博文本, “三”)上。通常源域数据集是有大量标签的,而目标域数据集要么是标签数据样本少,要么是数据样本少。1. 迁移学习适用条件和关键适用条件:“举一反三”的前提是“一”和原创 2021-03-21 16:16:36 · 290 阅读 · 0 评论 -
Deep domain generalization combining a priori diagnosis knowledge阅读笔记
Deep Domain Generalization Combining A Priori Diagnosis Knowledge Toward Cross-Domain Fault Diagnosis of Rolling Bearinghttps://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=91749121. 作者的目标是什么?或者已经实现了什么?目标:提高滚动轴承的跨域诊断问题。作者实现的内容:结合先验知识(a priori原创 2021-03-06 14:27:15 · 379 阅读 · 1 评论 -
时间序列迁移学习论文阅读笔记
Transfer learning for time series classificationhttps://arxiv.org/pdf/1811.01533.pdf1. 作者的目标是什么?或者已经实现了什么?目标:对于时间序列分类(Time Series Classification, TSC)问题,如何迁移深度CNN模型。作者实现的内容:基于DTW(Dynamic Time Warping)方法选择与给定目标数据集最相似的源数据集,改善TSC迁移学习的效果。本文TSC迁移学习方法:(1)在原创 2021-03-05 16:40:36 · 938 阅读 · 0 评论 -
ch-11-移动窗口函数
移动窗口函数移动窗口函数可以理解为时FIR滤波器,只不过这里是滤波器在运动,而不是信号在运动。但是从相对运动的角度来说,移动窗口函数就是FIR滤波器数据样例载入一个时间序列,并且按照工作日频率进行重新采样。import pandas as pdimport numpy as npimport matplotlib.pyplot as plt# %matplotlib inlineclose_px_all = pd.read_csv("data/stock_px_2.csv") close原创 2021-01-01 23:28:44 · 450 阅读 · 0 评论 -
一维序列数据处理:FIR高通滤波器设计
1. 加窗法设计滤波器为什么要加窗设计滤波器?因为为了降低DFT的频率泄露。那什么是DFT频率泄露以及为什么加窗设计就可以降低DFT的频率泄露?解释这个之前,我们先介绍一下DFT(离散傅里叶变换)和三角函数的正交性知识,再介绍加窗设计的原因。首先是DFT:X(m)=∑n=0N−1x(n)e−j2πnm/N=∑n=0N−1x(n)[cos(2πnm/N)−j(sin(2πnm/N)]X(m)=\sum_{n=0}^{N-1}x(n)e^{-j2\pi nm/N}=\sum_{n=0}^{N-1}x(n)原创 2020-11-11 21:21:05 · 2679 阅读 · 0 评论 -
由FIR滤波器到卷积神经网络的卷积核尺寸的类比
众所周知,卷积就是滤波,于是从滤波的角度考量FIR滤波器中抽头数(同比与一维卷积核的尺寸)对卷积效果的影响,得到以下结论和推论:FIR滤波器的抽头数并不是越大越好。随着抽头数增加,滤波效果是先快速下降,然后整体趋势呈振荡爬升,并在一个稳定值附近震荡。将其类比到卷积神经网络里,可以类比推出卷积核的大小并不是越大越好,也不是越小越好,而是存在一个最优值。1. FIR滤波器滤波器就是对一个信号做处理,允许我们想要的频谱分量通过,而衰减掉不想要的频率分量。 数字滤波器处理的是离散信号。FIR滤波器最简原创 2020-11-10 21:36:58 · 907 阅读 · 0 评论 -
符号集合近似法SAX
0. 内容时间序列局部特征构造的方法:SAX算法(符号集合近似法)符号集合近似法下的距离定义符号集合近似法除了可以降低时间序列的维度之外,还有数据压缩作用一些时间序列分类问题可能涉及时间序列属性的差异,这些属性被限制在特定的有区别时间区间内,即所谓的局部特征。1. SAX算法1笼统地理解,SAX((Symbolic Aggregate approXimation,符号集合近似)算法是将时间序列转换为字符串。和傅里叶变换、小波变换类似的地方是:都是一种变换。但是和由时域变换到频域不同,SAX是原创 2020-06-28 18:19:08 · 3205 阅读 · 4 评论 -
翻译:An Introduction to Feature Extraction 特征提取导论。(如有不当欢迎评论区留言指正)
作者:Isabelle Guyon1 and Andr´e Elisseeff2这一章向读者介绍了本书中涵盖的特征提取( Feature Extraction)的各个方面。第1节 综述了定义和符号,并提出了特征提取问题的统一定义。第2节 是概述书中提出的方法和结果,强调方法的新颖性。第3节 通过展示简短、具有启发性例子和简单但有效的算法,为读者提供特征提取领域的切入点。最后,第4节介绍了一种更理论化的形式,并指出了研究方向和有待解决的问题。1. 特征提取的基础知识在这一节中,我们将介绍一些对本书第一部原创 2020-06-13 16:34:55 · 1017 阅读 · 0 评论 -
滚动轴承振动序列的预处理--CWRU数据集
1.内容对CWRU轴承数据集中的12KHz采样数据进行:读取指定的.mat文件;标签标注和数据提取;数据增强处理;标准化设计;对标签为"normal"的数据进行降采样;2读取mat文件和数据标注这部分的思路是,通过scipy.io.loadmat 载入mat文件,然后设计一个(X,y)的生成器;其中,X表示数据data, y是数据标签label。...原创 2020-06-01 11:19:42 · 12122 阅读 · 48 评论