首先通过电磁波实验检测复合绝缘子6种常见缺陷,接着将数据进行处理后导出数据集,接着基于数据多元性设计一个二端口输入的神经网络结构,做到信息融合,对数据集进行分割后训练和预测,最后将预测结果进行可视化。
其次,此设计中,还做了对输入层的数据进行归一化处理。
神经网络中,因为层与层相连接,后一层输入数据分布的变动受前一层训练参数的变动,因此各层输入数据的分布一定会发生变化。网络的前几层变化不大,后几层累积放大,“Internal Covariate Shift”指代中间层数据分布的变化,归一化的提出是为了解决此问题。归一化不仅可以加快模型的收敛速度,其提出的重点是在一定水准上使得深层网络中梯度弥散的问题得到最大程度的缓解,让深层网络训练进行得更加顺利,结果更加准确。
设计的神经网络首先将电磁波实验的数据,平均值数据和峰值数据分别输入程序。利用hstack函数将实验获得七种不同数据的平均值表格进行水平拼接,峰值数据同理。接着分别设定表格的列数为特征量,同时将正常绝缘子和缺陷绝缘子等数据集分别设定为标签0-6。接着利用train_test_split函数分别以三七比例分割平均值和峰值的数据集,从而分别获得相应的测试集和训练集,用独热编码表示。
程序分别导入平均值数据集和峰值数据集,用relu作为激活函数,增加了神经网络之间的非线性关系,在此添加三个层,对平均值数据集和峰值数据集分别进行数据特征提取。