Question

LSTM可以“计算”传感器达到峰值读数的次数吗？

我创建了一个简单的例子，其中2台机器一旦获得25分或更高的第三传感器等级就会失败。然而，在keras中尝试不同的LSTM模型数小时之后，我的所有模型都希望将我的所有样本分类为全部为真，或者全部为假。

有人能指出我正确的方向来检测这样的规则吗？

这是2台机器，带有大约20个时间戳，只有2个传感器（X1，X2）。

My data

序列长度= 10个时间步长这样可以得到23个“窗口”或样本，每个窗口都是10个步长。

混淆矩阵总是最终：

数组（[[0,15]， [0,8]]）

Y只是一种“接近失败”的主观测量，我看到其他预防性维护实例的使用，效果很好。鉴于我在这里强加了自己的规则，我应该能够获得100％的准确率。

这是我的模型的一个版本，但不管层或神经元或时代，我都是真的或全是假的。我也试过只有1个LSTM而不是2.相同的结果。

nb_features = seq_array.shape[2] #this is 2
nb_out = label_array.shape[1]  #this is 1

model = Sequential()

model.add(LSTM(
     input_shape=(sequence_length, nb_features),
     units=20,
     return_sequences=True))

model.add(LSTM(
units=10,
     return_sequences=False))

model.add(Dense(units=20,activation='relu'))
model.add(Dense(units=20,activation='relu'))
model.add(Dense(units=10,activation='relu'))
model.add(Dense(units=1,activation='softmax'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=    ['accuracy'])

数据文件在这里---＆gt; https://github.com/dclengacher/test-repo/blob/master/ten_machines.csv

Keras LSTM RNN用于分类

0 个答案: