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: