java - 神经网络输入建议

Question

我目前正在做一个涉及坑洞检测和神经网络的项目。到目前为止，我有一部 Android 手机，它可以读取加速度计读数并将 X、Y、Z 轴以及振幅和当前时间戳写入 CSV 文件中。然后使用最小-最大标准化对数据进行标准化，并使用 CSV 文件中的 Y 轴读数。神经网络学习坑洼所面临的问题是我应该向反向传播神经网络提供哪些数据？我是否应该设置一个阈值，当 Y 轴到达该点时，获取之前的 5 个点和之后的 5 个点，然后向网络提供 11 个输入？我不想过度训练网络，也不想每次都向其提供不同位置的数据。

训练 - 我也开始收集收集的数据并创建训练数据集 - 我是否应该添加正常/崎岖道路/减速带以及坑洼的读数等内容？训练集应该有多大？或者“数据越多越好”真的是这样吗？

这就是坑洞数据的样子。

这就是减速带数据的样子。

收集的数据样本

 X-Axis     Y-Axis    Z-Axis   Timestamp

-0.371827, 8.513097, 5.441484, 165401
-0.601749, 7.976613, 5.326523, 165601
-0.333506, 8.053253, 5.441484, 165801
-0.256866, 8.206534, 5.364844, 166001
0.049697, 8.398136, 5.364844, 166202
-0.371827, 8.436457, 5.211563, 166400
-0.256866, 8.551417, 5.709726, 166601
-0.256866, 8.513097, 5.403164, 166801
-0.333506, 8.474776, 5.709726, 167000
-0.563428, 8.628057, 5.594766, 167201
-0.563428, 7.401808, 4.713398, 167402
-1.981280, 5.447472, 4.406836, 167602    POTHOLE
-0.180225, 5.600753, 5.403164, 167800    POTHOLE
-0.984952, 8.053253, 4.445156, 168001
-1.214874, 8.666378, 5.671406, 168201
-0.525108, 7.210207, 3.870352, 168401
-1.138233, 7.286847, 5.824687, 168600
-0.601749, 10.045910, 5.288203, 168801
-0.180225, 8.206534, 5.173242, 169001
0.279619, 7.861651, 5.518125, 169200
0.202978, 8.934620, 5.824687, 169401
-0.065264, 8.321495, 5.364844, 169601
-0.065264, 8.628057, 5.709726, 169800
-0.716710, 8.014933, 5.748047, 170001
-0.141905, 8.513097, 5.441484, 170200
-0.026944, 8.206534, 5.594766, 170401
-0.601749, 8.168214, 5.058281, 170601

算法

我提出的算法是当Y轴达到某个阈值(例如<7)时，在样本数据上设置某个阈值(例如第12行)，然后通过之前的阈值5 分，之后的 5 分给神经网络。

Answer 1

我不确定您想要在阈值前后仅传递 5 个点到 NN。我想你会想将所有数据传递给神经网络。您可以将数据标记为坑洼或不坑洼。

输入(特征):X、Y 和 Z输出(目标):1(坑洼)，0(无坑洼)

X 轴 Y 轴 Z 轴目标

-0.371827, 8.513097, 5.441484, 0

-0.601749, 7.976613, 5.326523, 0

-0.333506, 8.053253, 5.441484, 0

-0.256866, 8.206534, 5.364844, 0

0.049697, 8.398136, 5.364844, 0

-0.371827, 8.436457, 5.211563, 0

-0.256866, 8.551417, 5.709726, 0

-0.256866, 8.513097, 5.403164, 0

-0.333506, 8.474776, 5.709726, 0

-0.563428, 8.628057, 5.594766, 0

-0.563428, 7.401808, 4.713398, 0

-1.981280, 5.447472, 4.406836, 1

-0.180225, 5.600753, 5.403164, 1

-0.984952, 8.053253, 4.445156, 0

-1.214874, 8.666378, 5.671406, 0

-0.525108, 7.210207, 3.870352, 0

-1.138233, 7.286847, 5.824687, 0

-0.601749, 10.045910, 5.288203, 0

-0.180225, 8.206534, 5.173242, 0

0.279619, 7.861651, 5.518125, 0

0.202978, 8.934620, 5.824687, 0

-0.065264, 8.321495, 5.364844, 0

-0.065264, 8.628057, 5.709726, 0

-0.716710, 8.014933, 5.748047, 0

-0.141905, 8.513097, 5.441484, 0

-0.026944, 8.206534, 5.594766, 0

-0.601749, 8.168214, 5.058281, 0