计算机程序设计网站开发,外贸流程全步骤 外贸篇,腾讯云国外服务器,蓬莱网站建设公司风机桨叶故障诊断#xff08;三#xff09; 识别桨叶——初步构建BP神经网络 新的一天#xff0c;希望有好的运气。今天开始着手系统的第一个模块#xff0c;从一幅图像中寻找到桨叶所在的位置。第一直觉我们的识别任务属于难度比较大#xff0c;干扰因素多的了#xff…风机桨叶故障诊断三  识别桨叶——初步构建BP神经网络 新的一天希望有好的运气。今天开始着手系统的第一个模块从一幅图像中寻找到桨叶所在的位置。第一直觉我们的识别任务属于难度比较大干扰因素多的了所以我没有考虑先试一下Logistic回归之类的相对简单的算法我准备先简单抽选一些样本直接用BP神经网络模型快速实现一下然后再观察我们的算法问题所在逐步进行完善包括修改模型增加样本数量等等。说干就干 之前我们已经得到了可以用来提取样本的风机图像库我手动的从里面截取了一些样本数了一下正样本49个负样本28个。然后将这些大小不一的正负样本统一缩放成20×20像素的小图像下图所示的就是正样本最后处理完的结果 准备工作结束后开始动手编写一个最简单的三层BP神经网络了。 我们的输入是我们归一化后的20×20的图像所以输入层的神经元个数为400。隐含层的神经元个数我最初选取的是25输出层我选择的节点个数为2。用[1 0]代表正样本的期望输出[0 1]代表负样本的期望输出。 具体实现我是参考的coursera上吴恩达老师的机器学习课程上的代码,那个神经网络的示例代码是用来训练手写体数字识别的是个多分类问题。由于我是在那份代码上简单修改来的所以这也是为什么我的输出层有两个神经元而不是一个的原因我把问题看成了一个多分类问题。 经过了一上午的coding后成功运行了。由于每次训练的结果都会不同我多次运行并观察训练样本的预测准确率在90%以上测试集上的预测准确率在80%左右。看起来初步的结果还可以不过我只有17个测试样本再加上都是我手动选取的有一定的主观因素80%的准确率水分还是很大的。我们的初步实现的目的就是发现我们这个识别任务的难点问题所在只停留在得到一个准确率的数字是不行的所以我意识到应该想办法要做一些误差分析。 让我们来看一下我们的算法都有哪些问题到底将测试样本中的哪些类型的图像预测错误了也就是算法在哪类物体上表现不好。于是我着手写了下面的函数需要提供测试样本集矩阵每一行一个20×20图像展开后形成的向量以及表示每个样本是否被预测正确用0和1表示的数组再提供一个可视化时每个样本图像边长显示多少的参数matlab代码如下 function [ h, display_array ] DisplayErrorTestExample( X, example_width,errorIndex ) %显示所有测试集并标记出有错误的测试集 %errorIndex标识测试集每个样本的预测是否有误有误用1正确用0表示% Set example_width automatically if not passed in if ~exist(example_width, var) || isempty(example_width) example_width round(sqrt(size(X, 2))); end% Gray Image colormap(gray);% Compute rows, cols [m n] size(X); example_height (n / example_width);% Compute number of items to display display_rows floor(sqrt(m)); display_cols ceil(m / display_rows);% Between images padding pad 1;% Setup blank display display_array ones(pad display_rows * (example_height pad), ...pad display_cols * (example_width pad));% Copy each example into a patch on the display array curr_ex 1; for j 1:display_rowsfor i 1:display_colsif curr_ex m, break; end% Copy the patch% Get the max value of the patchmax_val max(abs(X(curr_ex, :)));display_array(pad (j - 1) * (example_height pad) (1:example_height), ...pad (i - 1) * (example_width pad) (1:example_width)) ...reshape(X(curr_ex, :), example_height, example_width) / max_val;%如果是错误的测试样本标红框if errorIndex(curr_ex)1display_array(pad (j - 1) * (example_height pad) , pad (i - 1) * (example_width pad) (0:example_width1))zeros(1,example_width2);display_array(pad j * (example_height pad) , pad (i - 1) * (example_width pad) (0:example_width1))zeros(1,example_width2);display_array(pad (j - 1) * (example_height pad) (0:example_height1), pad (i - 1) * (example_width pad) ) zeros(example_height2,1);display_array(pad (j - 1) * (example_height pad) (0:example_height1), pad i * (example_width pad) ) zeros(example_height2,1);endcurr_ex curr_ex 1;endif curr_ex m, break; end end% Display Image h imagesc(display_array, [-1 1]);% Do not show axis axis image offdrawnow;end将上面的方法添加到写好的代码中重新运行其中两次的结果如下图像显示的是仅有的17个测试样本被黑框圈起的是预测错误的样本 可以看到算法在负样本的预测中错误较多我感觉这一方面与本身负样本就较少一方面与负样本间差异很大造成算法学习起来困难。我们重新思考下我们的系统我们第一步是要从图像中识别出桨叶如果识别错了就会将不是桨叶的物体认为成桨叶进行下一步的故障诊断那结果将是不能接受的。相反如果我们对于一幅风机图像中的三个桨叶没有完全识别出来却是无关紧要的因为我们能在视频短时间的几帧之内获取到数张同一风机的图片对于同一桨叶的识别我们有很多次的机会所以我们算法对于正样本的漏识率可以相对较高因为最终的识别率还是很高。 所以可以看出对于负样本的错误预测也就是假阳性的概率是必须要降低的。先从算法入手或许我们可以通过修改神经网络输出时的判断阈值也就是只有极有把握输入为正样本时才判为正样本否则均判为负样本。这样做也就是人为选择牺牲了识别率降低了误识率。一切想法的好坏以实际说话马上修改代码重新运行其中两次结果如下 可以看到出现假阳性的概率明显下降同时漏识率比较明显的上升了不过这是我们愿意看到的现象。说明这点改进对于算法的提升显著后面算法的不断完善中也应当保留这种思想。 今天就到这里了忙了一天今天的进展着实不小。总结一下首先简单的选取了少量的样本并进行样本归一化这样就得到了可供训练的训练集和测试集。然后训练了400×25×2的三层BP神经网络最后对最初步的模型进行了误差分析并找到了一种效果显著的提升方法