- 博客(256)
- 资源 (14)
- 收藏
- 关注
RSS订阅原创 【PyTorch】实现迁移学习框架DANN
DANN（Domain Adversarial Neural Network）是最经典的迁移网络框架之一，于2016年被提出。目前网络上有很多关于DANN的介绍，比如知乎：戴璞微说AI的博文等。因此，在此文中，该网络的架构不再赘述，而将重点置于如何利用PyTorch深度学习框架实现DANN上。另外，在代码中也会对PyTorch中的关键语句进行详细解释，以便读者学习。
2024-02-06 11:25:43
1463
原创 【PyTorch】实现迁移学习框架DaNN
DaNN是最经典的迁移网络框架之一，于2014年在Pacific Rim International Conference on Artificial Intelligence会议上被提出。目前网络上有很多关于此网络的介绍，比如王晋东老师的《小王爱迁移》系列博文等。因此，在此文中，该网络的架构不再赘述，而将重点置于如何利用PyTorch深度学习框架实现DaNN上。另外，在代码中也会对PyTorch中的关键语句进行详细解释，以便读者学习。
2024-02-05 22:44:25
558
原创 车轨耦合动力学外部激励——轨间焊缝
根据科学出版社出版的《车辆－轨道耦合动力学 （第四版）》建立完常规的轨道不平顺谱后，只需在其中添加以下语句即可。本文选用较为典型的焊缝区低凹短波不平顺，采用在长1m的余弦波上叠加一短波不平顺波进行描述，其函数表达式为。车辆在经过钢轨焊缝处时，由于车辆-钢轨间的位移突变，会使得车辆系统产生较大的振动。
2023-02-24 20:37:03
761
1
原创 车轨耦合动力学外部激励——钢轨波磨
在世界各国铁路上普遍存在的钢轨波浪形磨耗， 呈现在钢轨顶面的是一定间距的起伏不平的波浪状态，是典型的连续谐波激扰。
2022-10-21 10:33:03
1064
原创 车轨耦合动力学外部激励——车轮扁疤
文章目录问题说明车轮扁疤模型Matlab代码说明参考资料问题说明扁疤会对车辆系统的振动产生影响，一般采用轮径变化来模拟扁疤激励。车轮扁疤模型本文采用车轮轮径变化来描述扁疤模型，如下图所示，在车轮滚动一周内，车轮圆周的半径变化为Δr(x)≈h−12R(x−L/2)2\Delta r(x)\approx h-\frac{1}{2R}(x-L/2)^2Δr(x)≈h−2R1(x−L/2)2其中，0≤x≤L0\leq x\leq L0≤x≤L，h≈L28Rh\approx \frac{L^2}{8R}
2022-05-19 16:26:35
904
原创 粒子滤波（PF）原理详解
文章目录背景介绍动态模型卡尔曼滤波重要性采样蒙特卡洛采样法重要性采样基本原理将重要性采样引入filtering问题序列重要性采样基本粒子滤波算法SIR Filter背景介绍在引入粒子滤波之前，有必要对其相关知识进行介绍。动态模型动态模型的一个主要特点是在概率模型中引入时间序列的概念，使得每个样本之间不再独立同分布，而变得有依赖关系了。我们所看到的序列被称为观测序列，每个观测值背后都有一个隐变量，这个隐变量即系统状态，因此，动态模型又称为状态空间模型。动态模型又分为三大类：隐马尔科夫模型（隐变
2022-04-02 00:01:47
10419
2
原创 经验小波变换（EWT）理论基础
项目说明在信号分解领域，经验模态分解（EMD）十分经典，它基于信号特征自动地将信号分解为一组有限数目的 IMF 分量，在处理非线性和非平稳信号方面表现尤为出色，得到了广大学者的青睐。如今，EMD 方法在多个领域广泛应用，但是，在应用过程中会出现过包络、欠包络以及不同程度的端点效应和模态混叠问题，这给信号分解带来了许多问题。EWT 是 Gilles 于 2013 年提出的非平稳信号处理方法，它融合了 EMD 方法的自适应分解理念和小波变换理论的紧支撑框架，为信号处理提供了一种全新的自适应时频分析思路。相比
2021-08-24 00:35:59
24689
11
原创 局部均值分解（LMD）详解
项目介绍局部均值分解（LMD）作为近年来出现的一种新的自适应时频分析方法，能够依据信号的自身特点将复杂的多分量调幅调频信号分解为有限个的单分量调幅调频信号之和，进而求取瞬时频率和瞬时幅值并进行组合，得到原始信号完整的时频分布。与经验模态分解方法相比，在端点效应、虚假分量、过包络和欠包络等问题方面有所改善。本文旨在介绍LMD的基本原理和实现流程。调制信号在介绍LMD之前，有必要对调制信号的概念进行说明，因为LMD的目的是将原始信号分解为调频信号及其幅值。滚动轴承发生故障时，其振动信号一般仪现出明显的非
2021-08-12 23:48:45
14079
1
原创 时域同步平均（TSA）降噪原理
项目说明旋转机械设备出现故障损伤时，振动信号中通常包含有规律性的故障特征，其提取对于设备故障诊断具有重要意义。但由于噪声干扰、传递路径衰减、多振源耦合等因素，往往需要对振动信号进行降噪处理，如滤波器降噪、小波阈值降噪、SVD 降噪以及经验模态分解降噪等，才能顺利提取出故障特征。此外，在旋转机械设备平稳运行工况下，适应于振动信号的周期性变化特征，时域同步平均降噪方法也得到了广泛应用。TSA 降噪原理旋转机械设备运行时的振动信号为y(t)y(t)y(t)，采样时间间隔为ΔtΔtΔt，则采样振动信号为y(k
2021-08-10 23:13:47
5664
1
原创 （经典、扩展、开关）卡尔曼滤波
项目说明本文将对三种卡尔曼滤波算法（经典卡尔曼滤波KF，扩展卡尔曼滤波EKF以及开关卡尔曼滤波SKF）的预测及更新过程进行汇总记录，不涉及具体公式推导过程。经典卡尔曼滤波KF经典卡尔曼滤波KF动态模型如下：Xt=AXt−1+Wt(1)X_t=AX_{t-1}+W_t \tag{1}Xt=AXt−1+Wt(1)Yt=HXt+Vt(2)Y_t=HX_{t}+V_t \tag{2}Yt=HXt+Vt(2)其中XtX_tXt是ttt时刻的n×1n\times 1n×1系统状态矢量，nn
2021-08-10 01:17:32
458
原创 隐马尔可夫模型（HMM）推导详解
文章目录1、隐马尔可夫模型基本概念2、隐马尔可夫模型基本参数3、隐马尔可夫模型基本假设4、隐马尔可夫模型基本问题4.1 评估问题4.2 学习问题4.3 预测问题5、隐马尔可夫模型基本问题解法5.1 评估问题5.1.1 前向算法1、隐马尔可夫模型基本概念隐马尔可夫（Hidden Markov Model, HMM）是马尔可夫链(Markov chain)的扩展，同样适合于对有限状态演进的随机过程建模。在马尔可夫链中，状态是可观察得到的，然而在某些情况下，状态隐藏在观测事件下，状态与观测变量不再满足一一对应
2021-08-06 14:01:16
2220
1
原创 EM 算法推导详解
EM算法介绍EM（Expectation-Maximum）算法，即期望最大化算法，是一种迭代算法，用于含有隐变量的概率模型参数的极大似然估计。简单来说，就是一种通过不断迭代更新来解得最优概率模型参数的算法。那么，为什么使用EM算法而不直接使用极大似然估计来获得模型参数呢？这里用三硬币模型举例说明。场景描述：假设有三枚硬币，分别记作A， B， C。这些硬币正面出现的概率分别是πππ，ppp，qqq。进行如下掷硬币试验：先掷硬币A，根据其结果选出硬币B或C，正面选硬币B，反面边硬币C；然后掷选出的硬币，掷硬
2021-08-05 21:32:38
740
原创 matlab spectrogram 函数用法
项目说明介绍 matlab 中 spectrogram 函数的用法，其功能为实现短时傅里叶变换并得到信号的频谱图。语法： [S,F,T,P]=spectrogram(x,window,noverlap,nfft,fs)短时傅里叶变换短时傅里叶变换的基本原理如下：使用一个窗函数在时域信号上（有重叠地）不断平移，如下图所示：其中，window 指窗的长度，noverlap 指窗的上一个位置和下一个位置之间重叠的长度（实际上noverlap>window/2noverlap>wind
2021-08-05 16:40:05
14319
原创 Matlab 轴承信号仿真+分析
文章目录项目说明1、信号仿真1.1 仿真公式1.2 信号参数设置1.3 代码实现2、仿真信号分析2.1 小波变换2.2 快速谱峭度项目说明本文主要解决两个问题：1、仿真包含周期性冲击信号、随机干扰冲击信号、调制干扰信号以及随机噪声四个成分的故障轴承信号；2、使用小波变换以及快速谱峭度对该仿真信号进行分析。1、信号仿真1.1 仿真公式这里的仿真信号公式主要参考了包文杰学者的硕士论文《加权谱峭度故障诊断方法研究与应用》，列举公式如下：周期性冲击信号仿真随机干扰冲击信号仿真调制
2021-07-12 09:21:15
8151
2
原创 轴承故障诊断之快速谱峭度法 Matlab 代码说明
文章目录文章介绍代码说明1、主程序2、Fast_Kurtogram（快速谱峭度主函数）3、kurt（计算峭度）4、max_IJ（搜索最大峭度对应的信号子带）5、K_wpQ（计算峭度矩阵）6、DBFB（信号通过1/2树状滤波器）7、TBFB（信号通过1/3树状滤波器）8、K_wpQ_local（计算每层的峭度）level=3----xlevel=2----a_level3level=1----a_level2_from_a_level3level=1----d_level2_from_a_level3leve
2021-06-17 14:08:47
9316
11
原创 Python 实现 1) 最大最小归一化； 2) 均值方差归一化
最大最小归一化def norm(data): data_max, data_min = np.tile(np.max(data, axis=-1)[:, np.newaxis], [1, data.shape[1]]), np.tile(np.min(data, axis=-1)[:, np.newaxis], [1, data.shape[1]]) data_norm = (data - data_min) / (data_max - data_min) return data_
2021-06-02 09:32:09
3534
原创 使用 Python 实现信号时频转换与包络分析
项目说明使用 Python 绘制一段信号的频谱与包络谱。代码实现from matplotlib import pyplot as pltimport numpy as npimport scipyimport tensorflow as tfimport os# 中文显示工具函数def set_ch(): from pylab import mpl mpl.rcParams['font.sans-serif'] = ['FangSong'] mpl.rcParam
2021-05-03 14:25:28
2564
原创 使用 Matlab 实现信号时频转换与包络分析
项目说明使用 Matlab 绘制一段信号的频谱与包络谱。代码实现clear;clc;%% 原始信号dt = 1/12000; % 两个点之间的时间采样间隔t = 0:dt:10;data = sin(2*pi*t);figuresubplot(311);plot(t, data);title('振动信号')%% 频域分析Fs = 12000; % 采样频率必须是dt的倒数Hz = 20*18;N = length(data); % 信号重采样的长度f = (0:
2021-05-03 14:21:45
4298
3
原创 联邦学习（七）：Tensorflow + Socket 实现联邦迁移学习
文章目录项目说明代码实现客户端1、导入需要的库2、为每个客户端制作数据集2.1 导入并处理 MNIST 数据2.2 定义相关变量2.3 为每个客户端制作训练集和测试集3、建立模型3.1 建立服务器模型3.2 建立客户端模型4、定义训练过程5、建立客户端和服务器的连接6、模型训练服务器1、导入需要的库2、建立服务器模型3、接收特征进行训练项目说明在联邦学习（六）：Tensorflow 实现联邦迁移学习一文中，我们已经实现了在一台设备上模拟实现联邦迁移学习，在本文中，我们将仿照联邦学习（五）：Tensorf
2021-04-23 16:24:31
1323
2
原创 联邦学习（六）：Tensorflow 实现联邦迁移学习
项目说明本项目旨在使用 Tensorflow2.0 模拟实现论文 Federated Transfer Learning for Intelligent Fault Diagnostics Using Deep Adversarial Networks with Data Privacy 中所提出的部分方法。方法说明文中使用网络如下图所示（不包含文中所提出的 LpL_pLp 损失）：在本文中，客户端共 11 个，包括 10 个源域客户端和 1 个目标域客户端。并且：代码说明1、导入需要的库
2021-04-23 15:36:29
1822
7
原创 联邦学习（五）：Tensorflow + Socket 实现真正的联邦学习
项目说明此文章旨在将联邦学习（三）：Tensorflow2.0 实现联邦学习和联邦学习（四）：Python Socket 实现两台电脑之间文件传输这两篇文章中的内容结合起来，实现真正的联邦学习。代码实现客户端客户端的代码和联邦学习（三）：Tensorflow2.0 实现联邦学习中所给出的几乎一致，这里只做简要介绍，只对设计与服务器交互的代码进行详细解释。1、导入需要的库import tensorflow as tffrom tensorflow import kerasfrom keras.
2021-04-22 22:08:10
1569
22
原创 联邦学习（四）：Python Socket 实现两台电脑之间文件传输
文章目录项目说明实现步骤代码实现服务器1、导入需要的库2、声明协议类型，同时生成 socket 连接对象3、绑定在服务器中需要监听的端口并开始监听4、获得服务器中的图片信息5、客户端上传请求后建立从服务器到客户端的连接实例6、接收数据，明确图片名称7、向客户端上传相关图片信息8、打开相关图片文件，分批次读取字节并下载到客户端客户端1、导入需要的库2、声明协议类型，同时生成 socket 连接对象3、连接服务器的相关端口4、向服务器上传图片名称信息5、接收服务器返回的图片信息6、以二进制格式打开一个文件用于存
2021-04-22 15:01:34
1811
1
原创 联邦学习（三）：Tensorflow2.0 实现联邦学习
文章目录项目说明代码实现1、导入需要的库2、定义相关的类2.1 Data2.2 Aggregator2.3 Model2.4 Bank3、导入并处理原始数据4、联邦学习4.1 划分数据并重采样4.2 模型训练4.2.1 仅使用 Data_Global 训练服务器模型4.2.2 联邦学习训练服务器模型4.3 模型测试5、非联邦学习模型对比5.1 建立模型5.2 模型训练5.2.1 使用不平衡数据训练5.2.2 使用平衡数据训练5.3 非联邦学习模型效果5.4 联邦学习模型效果项目说明数据集：creditc
2021-04-21 15:30:49
3862
29
原创 联邦学习（二）：卷积神经网络通过底层 API 实现 FedAvg 联邦算法
代码实现1、导入需要的库import collectionsimport numpy as npimport tensorflow as tfimport tensorflow_federated as tffimport nest_asyncionest_asyncio.apply()tff.framework.set_default_context(tff.test.ReferenceExecutor()) # 防止 RuntimeError 问题2、导入并处理数据mnis
2021-04-20 12:48:15
1203
11
原创 AttributeError: module ‘tensorflow_federated‘ has no attribute ‘type_at_clients‘
项目说明在学习联邦学习时在使用 tff.type_at_clients 函数时报如下错误：---------------------------------------------------------------------------AttributeError Traceback (most recent call last)<ipython-input-17-8b22508bfb3f> in <module>-
2021-04-20 09:15:04
479
原创 联邦学习（一）：通过卷积神经网络对 emnist 数据集分类
文章目录项目介绍代码说明1、导入需要的库2、导入数据集3、处理数据集4、创建模型5、定义初始化模型函数6、定义迭代函数6.1 客户端更新权重函数6.2 服务端更新权重函数6.3 使用 tff.tf_computation 修饰以上两个更新函数6.4 使用 tff.federated_computation 修饰 next_fn() 函数7、将算法封装到 tff.templates.IterativeProcess 中8、处理测试集数据9、测试集准确率9.1 测试函数9.2 模型初始化9.3 模型训练项目介
2021-04-19 13:38:22
1891
4
原创 tf.nest.map_structure() vs map()
使用map() 与 nest.map_structure（） 的区别及用法中的一个例子：def a(x): return x**2map_ob = map(a,[1,2,3])b = list(map(a,[1,2,3]))c = tf.nest.map_structure(a,[1,2,3])print('b',b,'\nc',c)print('map_ob_type',type(map_ob))print('b_type',type(b))print('c_type',typ
2021-04-18 20:55:27
544
原创 collections 相关函数说明
Python中通过Key访问字典，当Key不存在时，会引发‘KeyError’异常，如下所示：s=[('yellow',1),('blue', 2), ('yellow', 3), ('blue', 4), ('red', 1)]d=dict()for k, v in s: d[k].append(v)print(d)KeyError: 'yellow'为了避免这种情况的发生，可以使用collections类中的defaultdict()方法来为字典提供默认值。s=[('yello
2021-04-18 20:10:37
311
原创 Jupyter Notebook出现kernel error情况
可能是在anaconda中安装了新环境后直接在prompt中输入jupyter notebook此时打开的是之前的其他环境的jupyter此时需要在新环境中重新pip install jupyter
2021-04-16 10:43:37
261
原创 Tensorflow2.0 实现DAN和JAN中的损失函数
项目说明在 2015 年的文章 Learning Transferable Features with Deep Adaptation Networks (DAN) 和 2016 年的文章 Deep Transfer Learning with Joint Adaptation Networks (JAN) 中作者利用 MK-MMD 分别提出了两种损失函数（以下简称为 DAN_loss 和 JAN_loss）。在开源的源代码中，作者使用 Pytorch 编写了这两个函数，这里我们将使用 Tensorflo
2021-04-06 09:10:51
1238
2
原创 Tensorflow2.0 求梯度返回None（WARNING:tensorflow:Gradients do not exist for variables）
问题说明利用梯度带计算梯度时发现有些层的梯度返回None。解决方法将正向传播中所有的操作都用tensorflow中的API执行，不能使用numpy等其他库中的API，比如np.concatenate需要被换成tf.concat。
2021-02-05 23:42:22
3918
原创 Tensorflow2.0 用 tf.keras.applacations 迁移学习时如何在导入 imagenet 权重的同时保留分类层
项目说明在 Tensorflow2.0之tf.keras.applacations迁移学习 一文中，我们演示了如何将迁移学习层和自定义的分类层结合起来使用，但这里有个问题，就是当你再次打印结合后的模型的每层的名称时，会出现如下情况：import tensorflow as tfmobile = tf.keras.applications.MobileNet(include_top=False, weights='imagenet', input_shape=(224, 224, 3))mobile
2021-02-03 12:49:24
587
原创 Tensorflow2.0 梯度反转层（GRL）的实现
项目介绍在对抗学习中，我们常常需要将某一层的梯度乘上-1再进行梯度下降的操作（即梯度上升），就像【深度域适配】一、DANN与梯度反转层（GRL）详解一文中所介绍的那样。代码实现@tf.custom_gradientdef grad_reverse(x): y = tf.identity(x) def custom_grad(dy): return -dy return y, custom_gradclass GradReverse(tf.keras.la
2020-12-10 16:03:39
2103
原创 Tensorflow2.0 自定义余弦退火学习率衰减策略
项目说明余弦退火学习率衰减的学习率曲线如下图所示：除了在训练过程中进行学习率衰减以防止求得的最优解不断震荡之外，余弦退火衰减策略规定，学习率每次衰减到0之后，会迅速回升至初始值，这样可以避免陷入局部最优解。关于余弦退火学习率衰减策略的详细介绍可以参考文章：学习率衰减之余弦退火(CosineAnnealing）。代码实现在 Tensorflow2.0 中自定义学习率衰减策略其实很简单，可以参考文章：Tensorflow2.0学习率衰减详细汇总。import tensorflow as tfimp
2020-12-10 14:25:51
2612
1
原创 matplotlib 绘制三维散点图
项目介绍在撰写论文时常常会用到 matplotlib 来绘制三维散点图，如下所示：代码实现plt.figure(figsize=(8,6)) # 设置画布大小ax = plt.axes(projection='3d') # 设置三维轴ax.scatter3D(X, Y, Z) # 三个数组对应三个维度（三个数组中的数一一对应）plt.xticks(range(11)) # 设置 x 轴坐标plt.rcParams.update({'font.family': 'Times New R
2020-12-09 15:01:21
11350
1
原创 Matlab 实现信号滤波
文章目录项目介绍代码实现1、导入信号2、加入噪声3、绘制原始信号的时域、频域4、滤波4.1 移动平均滤波4.2 中值滤波4.3 维纳滤波4.4 自适应滤波4.5 巴特沃斯滤波4.5.1 低通滤波4.5.2 高通滤波4.5.3 带通滤波项目介绍在此文章中，信号的导入、滤波以及时频转换将被介绍。代码实现1、导入信号这里我们使用三种不同频率的信号的叠加信号。clcclearfs = 1000; % 重采样频率T = 1/fs; % 周期n = 5; % 1Hz频率被分成n段N = f
2020-11-30 10:07:26
57282
21
原创 Matplotlib 之绘制带误差棒的双柱状图
项目介绍在做分类问题的实验对比时，常常需要在一张图内绘制两个模型在各个类别上的分类准确率，如下图所示：代码实现import matplotlib.pyplot as pltimport numpy as npsize = 10 # 类别个数y1 = [98.96, 98.1, 97.2, 99.2, 99.5, 97.4, 96.7, 98.9, 99.25, 98.6] # 模型1在每个类别上的准确率y2 = [100, 99.8, 100, 100, 100, 100, 99.9,
2020-11-13 21:34:26
1464
原创 基于帕累托的多目标遗传算法优化的原理与 Python 实现
文章目录帕累托多目标遗传算法代码实现排序函数查找所需索引函数Pareto 法得到帕累托前沿函数拥挤度计算从父代和子代中选择下一个父代帕累托多目标遗传算法在优化领域，遗传算法绝对占得上一席之地，但由于在染色体选择阶段，俄罗斯轮盘赌法常被使用，因此遗传算法主要被用来解决单优化问题。对于多目标优化问题，我们常常不知道如何判断两个解孰优孰劣从而难以在遗传算法的选择阶段进行合适的选择，帕累托优化应运而生解决了这一问题。首先，需要对一下概念进行说明：支配、非支配：当A所有目标都优于B时，就说A支配了B，否
2020-11-02 19:35:51
4664
4
原创 Tensorflow2.0 之深度残差收缩网络 (DRSN)
文章目录DRSN 原理残差网络自注意力网络软阈值化代码实现DRSN 原理DRSN 由三部分组成：残差网络、自注意力网络和软阈值化。残差网络残差网络（或称深度残差网络、深度残差学习，英文ResNet）属于一种卷积神经网络。相较于普通的卷积神经网络，残差网络采用了跨层恒等连接，以减轻卷积神经网络的训练难度。其具体说明可以参考文章：Tensorflow2.0之自定义ResNet。自注意力网络在 DRSN 中，SE 模块被选用作为自注意力机制中的主要部分。它可以通过一个小型的子网络，自动学习得到一组权重
2020-11-02 17:11:34
6426
18
Python-OpenCV疲劳检测源代码（含视频）
2021-01-06
Tensorflow2.0之神经风格迁移
2020-12-27
Opencv之停车场车位识别源代码
2020-12-27
分类好的12K采样频率下的驱动端轴承故障数据集
2020-12-27
Faster-RCNN 实例代码
2020-10-18
synthetic_dataset.zip
2020-05-17
aclImdb_v1.7z
2020-04-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人