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

发布时间:2024年01月03日

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:

文章来源:https://blog.csdn.net/qq_40949048/article/details/135374787
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。