keras conv1d 输入数据重塑

Question

我正在尝试在 Keras 中使用一维 CNN 进行二元分类。我有一台连续执行动作的机器，我的目标是分类该动作是正常的还是异常的。

为了监控每个动作的行为，有 4 个传感器收集 100 个测量值。因此，对于每个动作，我有 4x100 = 400 个数据点。在一个单独的文件中，我有每个动作对应的标签。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此数据集以在 Keras 中应用 convd1。还有如何为一堆向量分配标签。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）和一个包含 100 个值的向量，所以我的输入形状应该是（maxlen=100，维度=4）。也许我完全错了。

模型应如下所示：

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)

谁能指出实现这一目标的正确方法？

Answer 1

使用传感器数量似乎是合乎逻辑的，应该不是问题，并且考虑多次测量作为尺寸似乎也是正确的。因此，您可以尝试训练此模型并检查结果。

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，每个卷积接受来自一个传感器的形状为 (100, 1) 的输入。 Keras 代码看起来像

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，您将 100 次测量视为时间步长，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能否优于 CNN 方法。