做数据可视化的网站,网站开发的评论界面怎么写,苏州做公司网站,wordpress漏洞利用目录
前言
1 电能质量数据集制作与加载
1.1 导入数据
1.2 制作数据集
2 CNN-2D分类模型和训练、评估
2.1 定义CNN-2d分类模型
2.2 定义模型参数
2.3 模型结构
2.4 模型训练
2.5 模型评估
3 CNN-1D分类模型和训练、评估
3.1 定义CNN-1d分类模型
3.2 定义模型参数
…目录
前言
1 电能质量数据集制作与加载
1.1 导入数据
1.2 制作数据集
2 CNN-2D分类模型和训练、评估
2.1 定义CNN-2d分类模型
2.2 定义模型参数
2.3 模型结构
2.4 模型训练
2.5 模型评估
3 CNN-1D分类模型和训练、评估
3.1 定义CNN-1d分类模型
3.2 定义模型参数
3.3 模型结构
3.4 模型训练
3.5 模型评估
4 模型对比 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
轴承故障诊断分类模型全家桶-最全教程-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Pytorch实现CNN模型一维卷积和二维卷积对扰动信号的分类。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-CSDN博客
部分扰动信号类型波形图如下所示 1 电能质量数据集制作与加载
1.1 导入数据
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 第二步导入十分类数据
import pandas as pd
import numpy as np# 样本时长0.2s 样本步长1024 每个信号生成500个样本 噪声0DB
window_step 1024
samples 500
noise 0
split_rate [0.7, 0.2, 0.1] # 训练集、验证集、测试集划分比例# 读取已处理的 CSV 文件
dataframe_10c pd.read_csv(PDQ_10c_Clasiffy_data.csv )
dataframe_10c.shape
1.2 制作数据集
第一步定义制作数据集函数 第二步制作数据集与分类标签
from joblib import dump, load
# 生成数据
train_dataframe, val_dataframe, test_dataframe make_data(dataframe_10c, split_rate)
# 制作标签
train_xdata, train_ylabel make_data_labels(train_dataframe)
val_xdata, val_ylabel make_data_labels(val_dataframe)
test_xdata, test_ylabel make_data_labels(test_dataframe)
# 保存数据
dump(train_xdata, TrainX_1024_0DB_10c)
dump(val_xdata, ValX_1024_0DB_10c)
dump(test_xdata, TestX_1024_0DB_10c)
dump(train_ylabel, TrainY_1024_0DB_10c)
dump(val_ylabel, ValY_1024_0DB_10c)
dump(test_ylabel, TestY_1024_0DB_10c) 2 CNN-2D分类模型和训练、评估
2.1 定义CNN-2d分类模型 2.2 定义模型参数
# 定义模型参数
batch_size 32
# 先用浅层试一试
conv_arch ((2, 32), (1, 64), (1, 128))
input_channels 1
num_classes 10
model CNN2DModel(conv_arch, num_classes, batch_size)
# 定义损失函数和优化函数
model model.to(device)
loss_function nn.CrossEntropyLoss(reductionsum) # loss
learn_rate 0.0003
optimizer torch.optim.Adam(model.parameters(), learn_rate) # 优化器
2.3 模型结构 2.4 模型训练 训练结果 50个epoch准确率将近97%CNN-2D网络分类模型效果良好。 2.5 模型评估
# 模型 测试集 验证
import torch.nn.functional as F
device torch.device(cuda if torch.cuda.is_available() else cpu) # 有GPU先用GPU训练# 加载模型
model torch.load(best_model_cnn2d.pt)
# model torch.load(best_model_cnn2d.pt, map_locationtorch.device(cpu))# 将模型设置为评估模式
model.eval()
# 使用测试集数据进行推断
with torch.no_grad():correct_test 0test_loss 0for test_data, test_label in test_loader:test_data, test_label test_data.to(device), test_label.to(device)test_output model(test_data)probabilities F.softmax(test_output, dim1)predicted_labels torch.argmax(probabilities, dim1)correct_test (predicted_labels test_label).sum().item()loss loss_function(test_output, test_label)test_loss loss.item()test_accuracy correct_test / len(test_loader.dataset)
test_loss test_loss / len(test_loader.dataset)
print(fTest Accuracy: {test_accuracy:4.4f} Test Loss: {test_loss:10.8f})Test Accuracy: 0.9313 Test Loss: 0.04866932
3 CNN-1D分类模型和训练、评估
3.1 定义CNN-1d分类模型 注意与2d模型的信号长度堆叠不同CNN-1D模型直接在一维序列上进行卷积池化操作形状为batch,H_in, seq_length,利用平均池化 使CNN-1D和CNN-2D模型最后输出维度相同保持着相近的参数量。
3.2 定义模型参数
# 定义模型参数
batch_size 32
# 先用浅层试一试
conv_arch ((2, 32), (1, 64), (1, 128))
input_channels 1
num_classes 10
model CNN1DModel(conv_arch, num_classes, batch_size)
# 定义损失函数和优化函数
model model.to(device)
loss_function nn.CrossEntropyLoss(reductionsum) # loss
learn_rate 0.0003
optimizer torch.optim.Adam(model.parameters(), learn_rate) # 优化器
3.3 模型结构 3.4 模型训练 训练结果 100个epoch准确率将近95%CNN-1D网络分类模型效果良好。
3.5 模型评估
# 模型 测试集 验证
import torch.nn.functional as F
device torch.device(cuda if torch.cuda.is_available() else cpu) # 有GPU先用GPU训练# 加载模型
model torch.load(best_model_cnn1d.pt)
# model torch.load(best_model_cnn2d.pt, map_locationtorch.device(cpu))# 将模型设置为评估模式
model.eval()
# 使用测试集数据进行推断
with torch.no_grad():correct_test 0test_loss 0for test_data, test_label in test_loader:test_data, test_label test_data.to(device), test_label.to(device)test_output model(test_data)probabilities F.softmax(test_output, dim1)predicted_labels torch.argmax(probabilities, dim1)correct_test (predicted_labels test_label).sum().item()loss loss_function(test_output, test_label)test_loss loss.item()test_accuracy correct_test / len(test_loader.dataset)
test_loss test_loss / len(test_loader.dataset)
print(fTest Accuracy: {test_accuracy:4.4f} Test Loss: {test_loss:10.8f})Test Accuracy: 0.9185 Test Loss: 0.14493044 4 模型对比
对比CNN-2D模型 和CNN-1D模型
模型参数量训练集准确率验证集准确率测试集准确率CNN1D61565496.5694.6491.85CNN2D68343098.3896.8893.13
由于CNN-2D模型参数量稍微多一点所以模型表现得也略好一点适当调整参数两者模型准确率相近。但是CNN-2D推理速度要快于CNN-1D在电能质量扰动信号数据集上应该更考虑CNN-2D模型在堆叠后的一维信号上进行卷积池化。 注意调整参数 可以适当增加 CNN层数 和每层神经元个数微调学习率 增加更多的 epoch 注意防止过拟合 可以改变一维信号堆叠的形状设置合适的长度和维度
