- 특정 row 데이터(파형) 에 대한 여러가지 분석기법을 사용해봅니다.
- main.py
- python 3.6.4
- matplotlib : 그래프 등 도표
- sklearn : 클러스터링
- tensorflow : 머신러닝
- 오리지날 데이터(평균, 분산, 표준편차) 그래프
- K-means 클러스터링
- Hierarchical-agglomerative 클러스터링
- 비지도학습 auto-encoder
- 비지도학습 Generative Adversarial Networks
- 지도학습 Deep Neural Networks
- 클러스터는 T01 과 T06 데이터에서 좀더 잘 동작함.
- 비지도 학습 GAN 에 auto-encoder 로 전처리와 후처리로 결과가 많이 개선됨.
- 지도학습에서 hierarchical city block distance 로 레이블링
표준편차 값을 입력으로 데이터를 군집화 합니다.
참고 : http:https://scikitlearn.org/stable/modules/generated/sklearn.cluster.KMeans.html
파형 그대로 각 파형간 거리를 통해 군집화 합니다. 파형간 코사인, 유클리디안, 멘하튼 거리 계산법을 사용합니다.
파형의 대한 피쳐를 줄입니다. 여기서 사용 목적은 각각 다른 틱을 동기화 하려는 것입니다. 각 부품당 틱을 일치화 시킴으로써 이후 머신러닝 네트워크에서 미니배치학습이나 유연한 네트워크 구조를 사용할수 있을것입니다.
파형을 학습하고 새로운 파형을 생성하는 비지도 학습입니다. 현재 데이터를 auto-encoder로 전처리, 후처리 하자 원본과 비슷한 가짜파형을 만들 수 있습니다.
참고 : https://github.com/golbin/TensorFlow-Tutorials/blob/master/09%20-%20GAN/01%20-%20GAN.py https://github.com/carpedm20/DCGAN-tensorflow
클러스터링으로 레이블을 추출하며 추출된 레이블을 통해 지도 학습을 수행해봅니다. 파손과 정상의 차이가 눈에 보일정도로 뚜렷한 경우 좀더 적은 반복으로 파손 / 정상 / 마모 를 분류합니다. 이때 파손이라고 생각할 수 있는 파형을 n배 증가시킨 가짜 파형을 생성하여 학습합니다.