当前位置: 首页 > news >正文

做 ps pr 赚钱的 网站建筑360网

做 ps pr 赚钱的 网站,建筑360网,整合营销传播案例,专业网站设计服务本例所用的数据集为C-MAPSS数据集#xff0c;C-MAPSS数据集是美国NASA发布的涡轮风扇发动机数据集#xff0c;其中包含不同工作条件和故障模式下涡轮风扇发动机多源性能的退化数据#xff0c;共有 4 个子数据集#xff0c;每个子集又可分为训练集、 测试集和RUL标签。其中C-MAPSS数据集是美国NASA发布的涡轮风扇发动机数据集其中包含不同工作条件和故障模式下涡轮风扇发动机多源性能的退化数据共有 4 个子数据集每个子集又可分为训练集、 测试集和RUL标签。其中训练集包含航空发动机从开始运行到发生故障的所有状态参数 测试集包含一定数量发动机从开始运行到发生故障前某一时间点的全部状态参数RUL标签记录测试集中发动机的 RUL 值可用于评估模 型的RUL预测能力。C-MAPSS数据集包含的基本信息如下 添加图片注释不超过 140 字可选 本例只采用FD001子数据集 添加图片注释不超过 140 字可选 关于python的集成环境我一般Anaconda 和 winpython 都用windows下主要用WinpythonIDE为spyder类MATLAB界面。 添加图片注释不超过 140 字可选 正如peng wang老师所说 winpython, anaconda 哪个更好 - peng wang的回答 - 知乎 winpython, anaconda 哪个更好 - 知乎 winpython脱胎于pythonxy面向科学计算兼顾数据分析与挖掘Anaconda主要面向数据分析与挖掘方面在大数据处理方面有自己特色的一些包winpython强调便携性被做成绿色软件不写入注册表安装其实就是解压到某个文件夹移动文件夹甚至放到U盘里在其他电脑上也能用Anaconda则算是传统的软件模式。winpython是由个人维护Anaconda由数据分析服务公司维护意味着Winpython在很多方面都从简而Anaconda会提供一些人性化设置。Winpython 只能在windows上用Anaconda则有linux的版本。 抛开软件包的差异我个人也推荐初学者用winpython正因为其简单问题也少点由于便携性的特点系统坏了重装后也能直接用。 请直接安装、使用winPythonWinPython download因为很多模块以及集成的模块 添加图片注释不超过 140 字可选 可以选择版本不一定要用最新版本否则可能出现不兼容问题。 下载、解压后如下 添加图片注释不超过 140 字可选 打开spyder就可以用了。 采用8种机器学习方法对NASA涡轮风扇发动机进行剩余使用寿命RUL预测8种方法分别为Linear RegressionSVM regressionDecision Tree regressionKNN modelRandom ForestGradient Boosting RegressorVoting RegressorANN Model。 首先导入相关模块 import pandas as pd import seaborn as sns import numpy as np import matplotlib.pyplot as plt from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.svm import SVR from sklearn.tree import DecisionTreeRegressor from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_squared_error, r2_score import tensorflow as tf from tensorflow.keras.layers import Dense 版本如下 tensorflow2.8.0 keras2.8.0 sklearn1.0.2 导入数据 path # define column names col_names[unit_nb,time_cycle][set_1,set_2,set_3] [fs_{i} for i in range(1,22)] # read data df_train train_data pd.read_csv(pathtrain_FD001.txt, index_colFalse, sep \s, header None,namescol_names ) df_test和y_test同理导入看一下训练样本 df_train.head() 添加图片注释不超过 140 字可选 进行探索性数据分析 df_train[col_names[1:]].describe().T 添加图片注释不超过 140 字可选 数据可视化分析 sns.set_style(darkgrid) plt.figure(figsize(16,10)) k 1 for col in col_names[2:] : plt.subplot(6,4,k) sns.histplot(df_train[col],colorGreen) k1 plt.tight_layout() plt.show() 添加图片注释不超过 140 字可选 def remaining_useful_life(df): # Get the total number of cycles for each unit grouped_by_unit df.groupby(byunit_nb) max_cycle grouped_by_unit[time_cycle].max() # Merge the max cycle back into the original frame result_frame df.merge(max_cycle.to_frame(namemax_cycle), left_onunit_nb, right_indexTrue) # Calculate remaining useful life for each row remaining_useful_life result_frame[max_cycle] - result_frame[time_cycle] result_frame[RUL] remaining_useful_life # drop max_cycle as its no longer needed result_frame result_frame.drop(max_cycle, axis1) return result_frame df_train remaining_useful_life(df_train) df_train.head() 绘制最大RUL的直方图分布 plt.figure(figsize(10,5)) sns.histplot(max_ruls.RUL, colorr) plt.xlabel(RUL) plt.ylabel(Frequency) plt.axvline(xmax_ruls.RUL.mean(), ls--,colork,labelfmean{max_ruls.RUL.mean()}) plt.axvline(xmax_ruls.RUL.median(),colorb,labelfmedian{max_ruls.RUL.median()}) plt.legend() plt.show() 添加图片注释不超过 140 字可选 plt.figure(figsize(20, 8)) cor_matrix df_train.corr() heatmap sns.heatmap(cor_matrix, vmin-1, vmax1, annotTrue) heatmap.set_title(Correlation Heatmap, fontdict{fontsize:12}, pad10); 添加图片注释不超过 140 字可选 col df_train.describe().columns #we drop colummns with standard deviation is less than 0.0001 sensors_to_drop list(col[df_train.describe().loc[std]0.001]) [s_14] print(sensors_to_drop) # df_train.drop(sensors_to_drop,axis1,inplaceTrue) df_test.drop(sensors_to_drop,axis1,inplaceTrue) sns.set_style(darkgrid) fig, axs plt.subplots(4,4, figsize(25, 18), facecolorw, edgecolork) fig.subplots_adjust(hspace .22, wspace.2) i0 axs axs.ravel() index list(df_train.unit_nb.unique()) for sensor in df_train.columns[1:-1]: for idx in index[1:-1:15]: axs[i].plot(RUL, sensor,datadf_train[df_train.unit_nbidx]) axs[i].set_xlim(350,0) axs[i].set(xticksnp.arange(0, 350, 25)) axs[i].set_ylabel(sensor) axs[i].set_xlabel(Remaining Use Life) ii1 添加图片注释不超过 140 字可选 X_train df_train[df_train.columns[3:-1]] y_train df_train.RUL X_test df_test.groupby(unit_nb).last().reset_index()[df_train.columns[3:-1]] y_train y_train.clip(upper155) # create evalute function for train and test data def evaluate(y_true, y_hat): RMSE np.sqrt(mean_squared_error(y_true, y_hat)) R2_score r2_score(y_true, y_hat) return [RMSE,R2_score]; #Make Dataframe which will contain results Results pd.DataFrame(columns[RMSE-Train,R2-Train,RMSE-Test,R2-Test,time-train (s)]) 训练线性回归模型 import time Sc StandardScaler() X_train1 Sc.fit_transform(X_train) X_test1 Sc.transform(X_test) # create and fit model start time.time() lm LinearRegression() lm.fit(X_train1, y_train) end_fit time.time()- start # predict and evaluate y_pred_train lm.predict(X_train1) y_pred_test lm.predict(X_test1) Results.loc[LR]evaluate(y_train, y_pred_train)evaluate(y_test, y_pred_test)[end_fit] Results def plot_prediction(y_test,y_pred_test,score): plt.style.use(ggplot) fig, ax plt.subplots(1, 2, figsize(17, 4), gridspec_kw{width_ratios: [1.2, 3]}) fig.subplots_adjust(wspace.12) ax[0].plot([min(y_test),max(y_test)], [min(y_test),max(y_test)],lw3,cr) ax[0].scatter(y_test,y_pred_test,lw3,cg) ax[0].annotate(text(RMSE: {:.2f}.format(score[0]) \n R2: {:.2%}.format(score[1])), xy(0,140), sizelarge); ax[0].set_title(Actual vs predicted RUL) ax[0].set_xlabel(Actual) ax[0].set_ylabel(Predicted); ax[1].plot(range(0,100),y_test,lw2,cr,label actual) ax[1].plot(range(0,100),y_pred_test,lw1,ls--, cb,label prediction) ax[1].legend() ax[1].set_title(Actual vs predicted RUL) ax[1].set_xlabel(Engine num) ax[1].set_ylabel(RUL); plot_prediction(y_test.RUL,y_pred_test,evaluate(y_test, y_pred_test)) 添加图片注释不超过 140 字可选 训练支持向量机模型 # create and fit model start time.time() svr SVR(kernelrbf, gamma0.25, epsilon0.05) svr.fit(X_train1, y_train) end_fit time.time()-start # predict and evaluate y_pred_train svr.predict(X_train1) y_pred_test svr.predict(X_test1) Results.loc[SVM]evaluate(y_train, y_pred_train)evaluate(y_test, y_pred_test)[end_fit] Results plot_prediction(y_test.RUL,y_pred_test,evaluate(y_test, y_pred_test)) 添加图片注释不超过 140 字可选 训练决策树模型 starttime.time() dtr DecisionTreeRegressor(random_state42, max_featuressqrt, max_depth10, min_samples_split10) dtr.fit(X_train1, y_train) end_fit time.time()-start # predict and evaluate y_pred_train dtr.predict(X_train1) y_pred_test dtr.predict(X_test1) Results.loc[DTree]evaluate(y_train, y_pred_train)evaluate(y_test, y_pred_test)[end_fit] Results plot_prediction(y_test.RUL,y_pred_test,evaluate(y_test, y_pred_test)) 添加图片注释不超过 140 字可选 训练KNN模型 from sklearn.neighbors import KNeighborsRegressor # Evaluating on Train Data Set start time.time() Kneigh KNeighborsRegressor(n_neighbors7) Kneigh.fit(X_train1, y_train) end_fit time.time()-start # predict and evaluate y_pred_train Kneigh.predict(X_train1) y_pred_test Kneigh.predict(X_test1) Results.loc[KNeigh]evaluate(y_train, y_pred_train)evaluate(y_test, y_pred_test)[end_fit] Results plot_prediction(y_test.RUL,y_pred_test,evaluate(y_test, y_pred_test)) 添加图片注释不超过 140 字可选 训练随机森林模型 start time.time() rf RandomForestRegressor(n_jobs-1, n_estimators130,max_featuressqrt, min_samples_split 2, max_depth10, random_state42) rf.fit(X_train1, y_train) y_hat_train1 rf.predict(X_train1) end_fit time.time()-start # predict and evaluate y_pred_train rf.predict(X_train1) y_pred_test rf.predict(X_test1) Results.loc[RF]evaluate(y_train, y_pred_train)evaluate(y_test, y_pred_test)[end_fit] Results plot_prediction(y_test.RUL,y_pred_test,evaluate(y_test, y_pred_test)) 添加图片注释不超过 140 字可选 训练Gradient Boosting Regressor模型 from sklearn.ensemble import GradientBoostingRegressor # Evaluating on Train Data Set start time.time() xgb_r GradientBoostingRegressor(n_estimators45, max_depth10, min_samples_leaf7, max_featuressqrt, random_state42,learning_rate0.11) xgb_r.fit(X_train1, y_train) end_fit time.time()-start # predict and evaluate y_pred_train xgb_r.predict(X_train1) y_pred_test xgb_r.predict(X_test1) Results.loc[XGboost]evaluate(y_train, y_pred_train)evaluate(y_test, y_pred_test)[end_fit] Results plot_prediction(y_test.RUL,y_pred_test,evaluate(y_test, y_pred_test)) 训练Voting Regressor模型 from sklearn.ensemble import VotingRegressor starttime.time() Vot_R VotingRegressor([(rf, rf), (xgb, xgb_r)],weights[1.5,1],n_jobs-1) Vot_R.fit(X_train1, y_train) end_fit time.time()-start # predict and evaluate y_pred_train Vot_R.predict(X_train1) y_pred_test Vot_R.predict(X_test1) Results.loc[VotingR]evaluate(y_train, y_pred_train)evaluate(y_test, y_pred_test)[end_fit] Results plot_prediction(y_test.RUL,y_pred_test,evaluate(y_test, y_pred_test)) 训练ANN模型 startime.time() model tf.keras.models.Sequential() model.add(Dense(32, activationrelu)) model.add(Dense(64, activationrelu)) model.add(Dense(128, activationrelu)) model.add(Dense(128, activationrelu)) model.add(Dense(1, activationlinear)) model.compile(loss msle, optimizeradam, metrics[msle]) history model.fit(xX_train1,yy_train, epochs 40, batch_size 64) end_fit time.time()-star # predict and evaluate y_pred_train model.predict(X_train1) y_pred_test model.predict(X_test1) Results.loc[ANN]evaluate(y_train, y_pred_train)evaluate(y_test, y_pred_test)[end_fit] Results 工学博士担任《Mechanical System and Signal Processing》审稿专家担任《中国电机工程学报》优秀审稿专家《控制与决策》《系统工程与电子技术》《电力系统保护与控制》《宇航学报》等EI期刊审稿专家担任《计算机科学》《电子器件》 《现代制造过程》 《电源学报》《船舶工程》 《轴承》 《工矿自动化》 《重庆理工大学学报》 《噪声与振动控制》 《机械传动》 《机械强度》 《机械科学与技术》 《机床与液压》《声学技术》《应用声学》《石油机械》《西安工业大学学报》等中文核心审稿专家。 擅长领域现代信号处理机器学习深度学习数字孪生时间序列分析设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。
http://www.dnsts.com.cn/news/12727.html

相关文章:

  • 企业网站官网建设关键词优化策略有哪些
  • 手机软件下载网站wap模板襄阳住房城乡建设厅官方网站
  • dw网站制作素材opencart 构建电子商务网站
  • 网站有服务器怎么备案怎么寻找网站关键词并优化
  • 代做网站广东手机网站建设报价表
  • 郑州网站建设注意事项如何进行专业建设
  • 镇江网站优化seo网站项目意义
  • 哪个网站可以做行测题目中国电商建站程序
  • 手机网站有吗一个专门做特卖的网站
  • 石家庄做网站公司网站建设中怎么回事
  • 网站模板制作工具大屏手机网站
  • 河北省建设厅官方网站网站制作长春
  • 网站建设监理福建建设注册管理中心网站
  • 建设银行网站招聘官网上海模板建站哪家好
  • 网站备案需要哪些材料家装公司排名前20
  • 家居网站建设定位分析论文电商网站建设建议
  • wordpress怎么降级沧州seo包年平台排行
  • 制作网站公司首 荐乐云seo专家wordpress两栏主题
  • 如何制作手机网站app模板免费
  • 东莞专业做外贸网站的公司没网站做cpa
  • 山东青岛最新消息百度seo排名点击器
  • 购物网站设计图wordpress 申请
  • 学校ftp服务器做网站给自己的家乡建设网站
  • 网站短信验证码接口怎么做延安网站制作
  • 温岭营销型网站建设二手车网站怎么做
  • 爱站网站排名查询工具保定网站建设制作开发平台
  • 宁波网站建设与设计金字塔wordpress关键词和描述
  • 网站模板下网站建设该如何学
  • 冻品网站的建设背景顺义深圳网站建设公司
  • 做网站含营销erp系统教学