静态网站设计与制作书籍,合肥专业网站优化费用,做网站视频网站,建筑设计方案汇报ppt往期精彩内容#xff1a;
引言
1 数据集制作与加载
1.1 导入数据
1.2 制作数据集
2 CNN-BiLSTM分类模型和超参数选取
2.1定义CNN-BiLSTM分类模型
2.2 设置参数#xff0c;训练模型
3 模型评估
3.1 准确率、精确率、召回率、F1 Score
3.2 十分类混淆矩阵#xff1a…往期精彩内容
引言
1 数据集制作与加载
1.1 导入数据
1.2 制作数据集
2 CNN-BiLSTM分类模型和超参数选取
2.1定义CNN-BiLSTM分类模型
2.2 设置参数训练模型
3 模型评估
3.1 准确率、精确率、召回率、F1 Score
3.2 十分类混淆矩阵
代码、数据如下 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 引言
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-BiLSTM模型对扰动信号的分类。
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_电磁信号分类python-CSDN博客
部分扰动信号类型波形图如下所示
1 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-BiLSTM分类模型和超参数选取
2.1定义CNN-BiLSTM分类模型
注意输入数据维度为[64, 1, 1024], 先送入CNN网络进行1d的卷积池化然后再把卷积池化的空间特征送入BiLSTM进行信号时域特征的提取最终送入全连接层和softmax进行分类。
2.2 设置参数训练模型
100个epoch准确率将近98%CNN-BiLSTM模型分类效果良好分类准确率高性能优越适当调整模型参数可以进一步提高分类准确率。 注意调整参数 可以适当增加 CNN层数和隐藏层维度数微调学习率 增加BiLSTM层数和维度数增加更多的 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
3 模型评估
3.1 准确率、精确率、召回率、F1 Score 3.2 十分类混淆矩阵 代码、数据如下
