机器学习课程的作业，1D-CNN网络用于故障识别。

CNN可以很好地识别数据中的简单模式，然后使用这些模式在更高的层中形成更复杂的模式。当您希望从整体数据集的较短(固定长度)片段中获得有趣的特征，且特征在片段中的位置相关性不高时，1D CNN非常有效。 这适用于传感器数据(如陀螺仪或加速度计数据)的时间序列分析。它还适用于分析固定长度周期内的任何类型的信号数据(如音频信号)。另一个应用程序是NLP(尽管在这里LSTM网络更有前途，因为单词的接近程度可能并不总是一个可训练模式的良好指示器) 博客地址：https://blog.csdn.net/weixin_38346042/article/details/121742025?spm=1001.2014.3001.5501

1D-CNN的模型、训练与预测。用于时间序列的一种信号处理。

Matlab的耳语nafld-1d-cnn 使用射频（RF）超声信号进行NAFLD诊断和肝脂肪分数定量的1D-CNN模型 该代码用于开发，训练和测试两个1D-CNN模型：a）区分NAFLD和对照（无肝病）的分类器； b）预测肝脏脂肪比例的脂肪比例估算器。 两种模型均使用射频超声信号作为输入，并使用MRI质子密度脂肪分数（PDFF）作为参考（标签）。 在分类器的情况下，NAFLD被定义为MRI-PDFF> = 5％。 livernet_1d_cnn.py包含分类器和脂肪分数估算器的最终模型架构。 对于模型训练和超参数调整，请使用hyper_parameter_tuning_classifier.py和hyper_parameter_tuning_ff_estimator.py 对于最终模型训练，请使用train_classifier.py和train_ff_estimator.py。 对于模型测试，请使用test_classifier.py和test_ff_estimator.py。 工具datagenerator.py为深度学习模型中使用的输入数据做准备。 原始的降采样的RF数据应存储

cncnn-lrp 该存储库包含使用本文解释的原理来解释一维卷积神经网络（1D-CNN）的代码。解释技术在于计算各种n-gram特征的相关性，并确定足够和必要的n-gram。该项目带有一个多通道1D-CNN模型生成器，可用于生成测试模型。 依存关系： - Anaconda (python 3.6) - keras (tested on 2.2.4) - tensorflow (1.13.1) - numpy (1.16) - pandas (0.24) 该项目包含4个主要目录： data / sentiment_analysis该目录包含用于构建一维CNN模型和测试解释方法的培训和测试数据 models：此目录包含用于情感分析和回答问题的预训练的1D-CNN模型。 tokenizers：此目录包含用于各种数据集的已保存的keras标记器。分词器包含用于构建预训练模型的词汇表。 说明：

一维CNN for CWRU

一维神经网络 非线性回归模型在一维卷积神经网络中的应用

mit-bih_ecg_recognition:使用带有tensorflow的1d CNN进行MIT-BIH ECG数据识别