企业宣传,产品推广,广告招商,广告投放联系seowdb

GIN分类模型 SGCN 新增GAT 一同聊聊图卷积缺点诊断

前言

本文基于凯斯西储大学(CWRU)轴承数据,先经过数据预解决启动数据集的制造和加载,最后经过Pytorch成功K-NN+GCN模型对缺点数据的分类。

1.关系网络引见

1.1 图卷积神经网络(GCN)

论文地址:​ ​​ ​

1.2图留意力网络(GAT)

论文地址:​ ​​ ​

1.3稠密图卷积网络(SGCN)

论文地址:​​

1.4GIN 图同构网络

2轴承缺点数据的预解决

2.1 导入数据

参考之前的文章,启动缺点10分类的预解决,凯斯西储大学轴承数据10分类数据集:

train_set、val_set、test_set 均为依照7:2:1划分训练集、验证集、测试集,最后保留数据

上图是数据的读取方式以及预解决思绪

2.2数据预解决,制造数据集

3基于Pytorch的GCN轴承缺点诊断

3.1 定义GCN分类网络模型

3.2 设置参数,训练模型

50个epoch,准确率95%,用GCN网络分类成果清楚,模型能够充沛提取轴承缺点信号的全局空间和部分特色,收敛速度快,性能优越,精度高,成果清楚!

3.3 模型评价

准确率、准确率、召回率、F1 Score

缺点十分类混杂矩阵:

本文转载自​​,作者:

© 版权声明
评论 抢沙发
加载中~
每日一言
不怕万人阻挡,只怕自己投降
Not afraid of people blocking, I'm afraid their surrender