conv1d输入数据整形

Question

我试图使用一维CNN在Keras中进行二进制分类.我有一台机器不断地执行一个动作，我的目标是分类这个动作是正常的还是异常的。

为了监测每个动作的行为，有4个传感器收集100个测量数据。因此，对于每个操作，我都有4x100 =400个数据点。在一个单独的文件中，我有对应于每个动作的标签。我的数据集如下所示：

measurement ID | action ID | sensor 1 | sensor 2 | sensor 3 | sensor 4 |
-----------------------------------------------------------------
       1       |     1     |   42.3   |   42.3   |   42.3   |   42.3   | 
       2       |     1     |   42.3   |   42.3   |   42.3   |   42.3   | 
       3       |     1     |   42.3   |   42.3   |   42.3   |   42.3   | 
      ...      |   ....    |   ....   |   ....   |   ....   |   ....   | 
      100      |     1     |   42.3   |   42.3   |   42.3   |   42.3   | 
       1       |     2     |   42.3   |   42.3   |   42.3   |   42.3   | 
       2       |     2     |   42.3   |   42.3   |   42.3   |   42.3   | 
       3       |     2     |   42.3   |   42.3   |   42.3   |   42.3   | 
      ...      |   ....    |   ....   |   ....   |   ....   |   ....   | 
      100      |     2     |   42.3   |   42.3   |   42.3   |   42.3   |
      ...      |   ....    |   ....   |   ....   |   ....   |   ....   |

我的问题是如何重塑这个数据集以在Keras中应用convd1。以及如何将标签分配给一组向量。请注意，我的数据集由10,000个操作组成。我的假设是，我有4个通道(维度)，每个通道的向量为100个，所以我的输入形状应该是(maxlen=100，dimension=4)。也许我完全错了。

模型应该如下所示：

model = Sequential()
model.add(Conv1D(filters=64, kernel_size=5 activation='relu',input_shape=(100,4)))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))
sgd = SGD(lr=0.1, momentum=0.9, decay=0, nesterov=False)
model.compile(loss='binary_crossentropy', optimizer=sgd)
model.fit(trainX, trainY, validation_data=(testX, testY), epochs=100, batch_size=100)

有人能指点我哪种方法才能做到这一点吗？

Answer 1

使用传感器的数量似乎是合乎逻辑的，不应该是一个问题，考虑多个测量的大小也似乎是正确的。所以，你可以试着训练这个模型并检查结果。

我推荐的另一种方法是对所有传感器使用不同的卷积。因此，您将有4个卷积，每一个接受形状(100, 1)从一个传感器输入。Keras代码看起来类似于

from keras.layers import Input, Conv1D, Dense, concatenate, Flatten
from keras.models import Model

s1_input = Input((100, 1))
s2_input = Input((100, 1))
s3_input = Input((100, 1))
s4_input = Input((100, 1))

conv1 = Conv1D(filters=64, kernel_size=5, activation='relu')(s1_input)
conv2 = Conv1D(filters=64, kernel_size=5, activation='relu')(s2_input)
conv3 = Conv1D(filters=64, kernel_size=5, activation='relu')(s3_input)
conv4 = Conv1D(filters=64, kernel_size=5, activation='relu')(s4_input)

f1 = Flatten()(conv1)
f2 = Flatten()(conv2)
f3 = Flatten()(conv3)
f4 = Flatten()(conv4)

dense_in = concatenate([f1, f2, f3, f4])
output = Dense(1, activation='sigmoid')(dense_in)

model = Model(inputs=[s1_input, s2_input, s3_input, s4_input], outputs=[output])

还有另一种RNN方法，您可以将100个测量作为时间步骤，并在每一步输入4个传感器的数据。但是，我非常怀疑这种方法可以优于CNN的方法。