本文针对齿轮箱故障检测与诊断问题，运用信号处理和神经网络等相关知识，构建了小波变换模型、1D-CNN 模型进行齿轮箱工作状态的分析。综合运用 MATLAB 和 Python 等软件编程求解，通过模型参数调整使 1D-CNN 模型效果趋于最优，最终得到较为准确的诊断结果。对于输入神经网络的数据，进行训练集与测试集的划分以及归一化、编码分类标签等操作便于模型训练。 有问题欢迎私信沟通交流，共同学习！

本文针对齿轮箱故障检测与诊断问题，运用信号处理和神经网络等相关知识，构建了小波变换模型、1D-CNN 模型进行齿轮箱工作状态的分析。综合运用 MATLAB 和 Python 等软件编程求解，通过模型参数调整使 1D-CNN 模型效果趋于最优，最终得到较为准确的诊断结果。对于输入神经网络的数据，进行训练集与测试集的划分以及归一化、编码分类标签等操作便于模型训练。 有问题欢迎私信沟通交流，共同学习！ 参考文献 [1] 李鹏, 孔凡让, 何清波. 齿轮箱状态监测中的振动信号多标度分析[J]. 计算机工程, 2011, 37(14):242-244. [2] 杨永灿, 刘韬, 柳小勤,等. 基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断 [J]. 机械与电子, 2021, 39(10):6. [3] 梁睿君, 冉文丰, 余传粮,等. 基于 CWT-CNN 的齿轮箱运行故障状态识别[J]. 航空动 力学报, 2021, 36(12):9. [4] 吴春志, 江鹏程, 冯辅周,等. 基于一维卷积神经网络的齿轮箱故障诊断[J]. 振动与冲 击, 2018, 37(22):6.

主要介绍了Python使用scipy模块实现一维卷积运算,结合实例形式分析了scipy模块的功能及使用scipy模块进行一维卷积运算的相关操作技巧,需要的朋友可以参考下

本系统通过目标检测算法使得系统可以通过图片识别一个或多个垃圾并对其进行分类，相较于传统的图片分类算法，允许用户同时识别多种垃圾；通过基于深度学习算法的文本分析使得系统能够充分理解各种物体名称的具体含义，以便于通过用户输入的名称对垃圾种类进行分类。 二、系统说明 2.1 功能介绍 图片垃圾分类：系统能够对图片中的多个物体进行检测并进行垃圾分类，最终返回待分类垃圾的物体名称以及其所属的垃圾类别。 文本垃圾分类：系统在对接收到的文本进行检测后，会返回待分类垃圾所属的垃圾类别。 2.2 数据介绍 图片数据集：图片识别类来自2019华为云垃圾分类挑战赛、爬虫搜集，共两万余张图片，91类物体；目标检测类为COCO数据集。 文本数据集：爬虫搜集，共3000类物体名称（其中有相似的，例如电池和干电池） 由于数据集过大，因此不会上传，如有需要可以在issue中提出。 2.3. 模型介绍（v1.0版本） 目标检测模型使用谷歌Object-Detection中的SSD模型、图片识别模型使用Inception-Resnet-v2模型。 文本分类模型使用两层双向LSTM与两层一维卷积模型，其中词向量层使用了

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

本文提出了一种新的情绪识别模型，该模型以脑图为输入，以唤醒和效价为输出提供情绪状态。脑图是从脑电信号中提取的特征的空间表示。该模型被称为多任务卷积神经网络（MT-CNN），使用微分熵（DE）和功率谱密度（PSD），并考虑0.5s的观察窗口，由四种不同频段的不同波（α、β、γ和θ）的叠加脑图构成。该模型在DEAP数据集上进行训练和测试，DEAP数据集是一个用于比较的著名数据集。该模型的准确度在价态维度上为96.28%，在唤醒维度方面，获得了96.62%的准确率，这项工作表明，MT-CNN的性能优于其他方法。 模型为二维卷积神经网络。该模型的输入是一个脑图，它是EEG信号的空间谱表示。该模型由四个二维卷积层、一个完全连接层以及上述每个层之后的dropout和批量归一化层组成。最后，输出到两个流：前者用于分类受试者的配价水平，后者用于唤醒水平。ReLU用作激活功能。分类层使用一个sigmoidal函数来获得类似概率的输出。对模型进行了收敛性训练。

三维卷积 (3D CNN) 素材数据

一维卷积代码，基本的网络结构，输入 卷积 池化 卷积 池化 输出，可实现分类的功能

1维CNN demo, 可在本地运行, 初学代码, 写的不是很规范，

这是我大三课程“模式识别”期末课设，里面包含样本集、目标测试集 一维时间序列的预测项目，里面包含已经训练好的94%准确率的模型可供你做迁移学习