CNN 可以很好地识别出数据中的简单模式,然后使用这些简单模式在更高级的层中生成更复杂的模式。当你希望从整体数据集中较短的(固定长度)片段中获得感兴趣特征,并且该特性在该数据片段中的位置不具有高度相关性时,1D CNN 是非常有效的。 1D CNN 可以很好地应用于传感器数据的时间序列分析(比如陀螺仪或加速度计数据)...
经过对赛题的分析,我们把任务分成四个小任务,首先第一步是: 1.数据读取与处理 数据是CSV文件,1到6000为按时间序列连续采样的振动信号数值,每行数据是一个样本,共792条数据,第一列id字段为样本编号,最后一列label字段为标签数据,即轴承的工作状态,用数字0到9表示。
经过对赛题的分析,我们把任务分成四个小任务,首先第一步是: 1.数据读取与处理 数据是CSV文件,1到6000为按时间序列连续采样的振动信号数值,每行数据是一个样本,共792条数据,第一列id字段为样本编号,最后一列label字段为标签数据,即轴承的工作状态,用数字0到9表示。
经过对赛题的分析,我们把任务分成四个小任务,首先第一步是: 1.数据读取与处理 数据是CSV文件,1到6000为按时间序列连续采样的振动信号数值,每行数据是一个样本,共792条数据,第一列id字段为样本编号,最后一列label字段为标签数据,即轴承的工作状态,用数字0到9表示。
经过对赛题的分析,我们把任务分成四个小任务,首先第一步是:1.数据读取与处理数据是CSV文件,1到6000为按时间序列连续采样的振动信号数值,每行数据是一个样本,共792条数据,第一列id字段为样本编号,最后一列label字段为标签数据,即轴承的工作状态,用数字0到9表示。