开发网站培训班,网站详情页用cdr做可以吗,电脑做网站服务器WIN7 买个域名,搜索引擎优化的内容目录 往期精彩内容#xff1a;
前言
1 数据集和特征提取
1.1 数据集导入
1.2 扰动信号特征提取
2超强模型XGBoost——原理介绍
2.1 原理介绍
2.2 特征数据集制作
3 模型评估和对比
3.1 随机森林分类模型
3.2 支持向量机SVM分类模型
3.3 XGBoost分类模型
代码、数据…目录 往期精彩内容
前言
1 数据集和特征提取
1.1 数据集导入
1.2 扰动信号特征提取
2超强模型XGBoost——原理介绍
2.1 原理介绍
2.2 特征数据集制作
3 模型评估和对比
3.1 随机森林分类模型
3.2 支持向量机SVM分类模型
3.3 XGBoost分类模型
代码、数据如下 创新度高需要发论文的同学即买即用 往期精彩内容
电能质量扰动信号数据介绍与分类-Python实现-CSDN博客
Python电能质量扰动信号分类(一)基于LSTM模型的一维信号分类-CSDN博客
Python电能质量扰动信号分类(二)基于CNN模型的一维信号分类-CSDN博客
Python电能质量扰动信号分类(三)基于Transformer的一维信号分类模型-CSDN博客
Python电能质量扰动信号分类(四)基于CNN-BiLSTM的一维信号分类模型-CSDN博客
Python电能质量扰动信号分类(五)基于CNN-Transformer的一维信号分类模型-CSDN博客
基于FFT CNN -Transformer时域、频域特征融合的电能质量扰动识别模型-CSDN博客 前言
本文基于Python仿真的电能质量扰动信号先经过数据预处理进行数据集的制作和加载然后通过特征提取和机器学习方法进行扰动信号识别特征提取是通过从原始PQD信号中提取有意义的特征来减少数据维度并捕捉到信号的关键信息机器学习方法能够基于这些特征建立模型并通过训练和学习来识别不同的扰动信号。 Python仿真电能质量扰动信号的详细介绍可以参考下文文末附10分类数据集
电能质量扰动信号数据介绍与分类-Python实现_python给电压数据做分类-CSDN博客
部分扰动信号类型波形图如下所示 1 数据集和特征提取
1.1 数据集导入
在参考IEEE Std1159-2019电能质量检测标准与相关文献的基础上构建了扰动信号的模型生成包括正常信号在内的10中单一信号和多种复合扰动信号。参考之前的文章进行扰动信号10分类的预处理 第一步按照公式模型生成单一信号
单一扰动信号可视化
根据信号时间步长为 1024 制作数据集 形成5000个样本 单个样本长度 1024加上一个标签类别。 1.2 扰动信号特征提取
(1) 峭度Kurtosis衡量信号的尖锐程度用于检测信号中的高频成分 (2) 熵值Entropy衡量信号的复杂程度和随机性用于检测信号的频谱特性 (3) 分形值Fractal Dimension衡量信号的自相似性和复杂度用于分析信号的分形特征 (4) 波形指标Waveform Indicators包括峰值因子、脉冲因子、裕度因子等用于分析信号的时域特征 (5) 频谱指标Spectral Indicators包括峰值频率、能量比值、谱线形指标等用于分析信号的频域特征 (6) 频域指标Time-Frequency Indicators包括瞬时频率、瞬时能量等用于分析信号的时频特征 (7) 统计特征Statistical Features包括均值、方差、偏度等用于描述信号的统计特性 (8) 小波包特征Wavelet Packet Features通过小波变换提取的特征用于分析信号的时频局部特性 (9) 振动特征Vibration Features包括峰值振动、有效值振动等用于描述信号的振动特性 选择了多种特征提取方法来捕捉信号的不同特征共提取9类13个特征指标来作为机器学习模型的训练与识别。 2超强模型XGBoost——原理介绍 2.1 原理介绍
论文链接
XGBoost | Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining GBoost模型eXtreme Gradient Boosting是一种梯度提升框架由Tianqi Chen在2014年开发并在机器学习领域广泛应用。XGBoost的核心思想是通过迭代地训练多个弱学习器并将它们组合起来实现强大的预测能力。它在梯度提升算法的基础上进行了改进和优化具有高效、灵活和可扩展的特点。 下面是XGBoost的一些关键特性和原理 1. 梯度提升XGBoost使用了梯度提升算法也称为增强学习Boosting算法。它通过迭代地训练多个弱学习器并通过梯度下降的方式来优化模型的预测能力。每个弱学习器都是在前一个弱学习器的残差上进行训练从而逐步减小预测误差。 2. 基于树的模型XGBoost采用了基于树的模型即决策树。决策树是一种非常灵活和可解释的模型能够学习到复杂的非线性关系。XGBoost使用了CARTClassification and Regression Trees作为默认的基学习器每个决策树都是通过不断划分特征空间来实现分类或回归任务。 3. 正则化策略为了防止过拟合XGBoost引入了正则化策略。它通过控制决策树的复杂度来限制模型的学习能力。常用的正则化策略包括限制决策树的最大深度、叶子节点的最小样本数和叶子节点的权重衰减等。 4. 特征选择和分裂XGBoost在构建决策树时通过特征选择和分裂来最大化模型的增益。特征选择基于某种评估准则如信息增益或基尼系数选择对当前节点的划分最有利的特征。特征分裂则是确定特征划分点的过程使得划分后的子节点能够最大程度地减小预测误差。 5. 并行计算为了提高模型的训练速度XGBoost使用了并行计算的策略。它通过多线程和分布式计算等技术将训练任务分解为多个子任务并在不同的处理器上同时进行计算。这样可以加快模型的训练速度特别是在处理大规模数据集时表现优异。 6. 自定义损失函数XGBoost允许用户自定义损失函数以适应不同的任务和需求。用户可以根据具体问题的特点定义适合的损失函数并在模型训练过程中使用它。 XGBoost模型通过梯度提升算法和基于树的模型在许多机器学习任务中都取得了很好的效果包括分类、回归、排序和推荐等。我们利用其高效、灵活和可扩展的特性使用XGBoost来构建一个梯度提升模型通过迭代地训练多个决策树来实现轴承故障识别。 2.2 特征数据集制作 3 模型评估和对比
3.1 随机森林分类模型
模型分数、准确率、精确率、召回率、F1 Score 扰动信号十分类混淆矩阵 3.2 支持向量机SVM分类模型
模型分数、准确率、精确率、召回率、F1 Score 扰动信号十分类混淆矩阵 3.3 XGBoost分类模型
模型分数、准确率、精确率、召回率、F1 Score 扰动信号十分类混淆矩阵 实验结果表明所提取的各种特征都对电能质量扰动信号识别有一定的贡献。峭度、熵值和分形值能够帮助捕捉信号的尖锐程度、复杂程度和自相似性从而有效地区分不同类型的扰动信号。波形指标、频谱指标和频域指标能够提供信号的时域和频域特征有助于识别扰动信号的时频特性。统计特征、小波包特征和振动特征则能够描述信号的统计特性和振动特性从而更好地区分扰动信号。 对比可以看出来 XGBoost分类模型性能最好在训练集、测试集上的表现最优模型分数也是最高在扰动信号识别中取得了良好的效果。通过准确地捕捉到信号的特征和模式能够对不同类型和程度的信号类型进行准确的识别和分类准确率达到98%速度快性能好创新度高。
代码、数据如下
