机器学习课程的作业，1D-CNN网络用于故障识别。

使用卷积神经网络实现心电异常分类，内含损失函数，验证集、测试集等

CNN 可以很好地识别数据中的简单模式，然后将其用于在更高层中形成更复杂的模式。当您希望从整个数据集的较短（固定长度）片段中获取有趣的特征并且片段中特征的位置不具有高度相关性时，一维 CNN 非常有效。这非常适用于分析传感器数据（如陀螺仪或加速度计数据）的时间序列。 在此示例中，我们将训练一维卷积神经网络 (1D CNN)，以根据来自腰部的移动设备的一组给定加速度计数据来识别运动类型（步行、跑步、慢跑等）。

使用 1DCNN 和 MRS 数据对胶质瘤进行 IDH 和 TERTp 突变分类。

使用 1DCNN 从 EEG 信号进行心理图像分类

1D-CNN的模型、训练与预测。用于时间序列的一种信号处理。

一维DCNN用于轴承故障诊断，仿真数据集为CWRU（凯西私储大学的公开轴承数据集） 轴承故障诊断时机械状态监测的热门研究方向，其算法的核心在于信号特征提取与模式分类两个部分。在轴承故障诊断领域，常见的特征提取算法有快速傅里叶变化，小波变换，经验模式分解以及信号的统计学特征等，常见的模式分类算法有支持向量机，BP 神经网络（也称为多层感知器），贝叶斯分类器以及最近邻分类器等。当下轴承故障诊断的研究热点是可以归结为 3 类：寻找更好的特征表达；寻找最适合的特征表达以及分类器的组合；以及发明新的传感器。

1.包含完整的训练数据集 2.有单独的数据读取程序 3.训练效果好 4.python程序

基于1DCNN-DS的滚动轴承故障诊断算法研究，杨振波，贾民平，卷积神经网络在旋转机械故障诊断领域已经取得较大的发展，可以将原始振动信号直接输入到深度学习模型中便可以诊断故障类别。然而

基于1DCNN的轴承故障诊断，在CWRU数据集上进行验证，下载即可跑通，可作为baseline。同时具有抗噪实验功能，能输出各个混淆矩阵、训练时间和测试时间。 有详细注释，同时可讲解代码。 参考毕业论文《基于卷积神经网络的轴承故障诊断算法研究_张伟》 参考github: https://github.com/AaronCosmos/wdcnn_bearning_fault_diagnosis