原创 cozmo學習筆記2-數字圖像縮放

在cozmo python sdk中02_cozmo_face的示例01中,看到有這樣一段 image_settings = [(sdk_png, Image.BICUBIC), (hello_png

原创 基於深度學習的軸承故障識別-優化模型

在深度學習的訓練中,常常會遇到過擬合(overfitting)的問題(低偏差和高方差),模型爲了適應訓練集的數據擬合出了非常複雜的曲線,該曲線對於訓練集的數據識別率極高,但泛化能力差,對於不同於訓練集的測試數據執行起來表現很差,準確率大幅

原创 基於深度學習的軸承故障識別-構建基礎的CNN模型

上回書說到,處理序列的基本深度學習算法分別是循環神經網絡(recurrent neural network)和一維卷積神經網絡(1D convnet)。上篇構建了基礎的LSTM模型,這一篇自然輪到CNN了。 目錄 CNN介紹 1.卷積層

原创 cozmo玩耍記錄1

我也不知道這算什麼,姑且稱之爲——走個T臺? 看了cozmo sdk裏面01_basics的例子後,可以按頭讓cozmo做點什麼了。 想具體瞭解01_basics例子的朋友可以移步zhangrelay老師博客,他有整理過。https://

原创 ros_arduino_bridge控制舵機

好久以前我寫過這麼一篇博客,當時是爲了單獨控制機械臂夾爪。前些天突然發現我一直都弄錯了,我以爲我用的是ros_arduino_bridge,事實上我用的是rosserial_arduino。 這是當初的標題,現在已經改掉了。  這篇博客

原创 基於深度學習的軸承故障識別-總結及常見問題

新年快樂。 把豬年的事結束在豬年,這篇寫一下最後的總結展望,順便歸納一下常被問到的問題。 總結 前面做的簡單概括就是:選擇神經網絡模型→測試CNN和LSTM→選擇CNN→優化。 我認爲的幾個主要的缺陷: 1.做的不深,沒有新的東西。深度學

原创 ROS資源整理-學習ROS用得到的一些資料(持續更新)

從接觸ros到現在也有兩年了,找資料的箇中苦楚歷歷在目,不過現在資料越來越多了,是個好事。我這裏主要是整理一下用過的一些很好的ros資料,以後找起來也方便點。以下排名不分先後,先想到哪個寫哪個。 1.ros wiki 這個必須得有,理由我

原创 turtlebot2-基礎包安裝及測試

由於turtlebot是在創客智造買的,很多地方都是參考創客智造的教程進行的,創客智造的教程建議用兩點電腦處在同一網絡下操作turtlebot,但爲了省事,我們僅用一臺筆記本控制turtlebot。 關於怎麼安裝支架,怎麼接線,以及操作系

原创 基於深度學習的軸承故障識別

畢設題目:基於深度學習的軸承故障識別。這個博客用來記錄和整理畢設過程中遇到的一些問題,看的一些參考資料等。 目錄 軸承故障識別_實驗過程 深度學習相關筆記 Tensorflow學習筆記 無歸類雜項 一些很有用的網站、工具、資料 代碼 軸承

原创 rosserial_arduino控制舵機

rosserial_arduino控制舵機 舉個不算太恰當的例子,如果你的機械臂moveit包只配置到手腕,而沒有配置末端執行器,而重新配置又覺得太麻煩,這時候用一個arduino單獨控制夾持器就可以了。本文是通過rosserial_ar

原创 基於深度學習的軸承故障識別-環境

深度學習框架:keras 其實tensorflow更主流一些,之前在mooc上面也學過tensorflow的課,但是demo能跑自己寫感覺無從下手,畢設時間也有限,就選擇了好上手的keras。keras可以tensorflow、Thean

原创 RNN:循環神經網絡or遞歸神經網絡?

前些天,導師看完我論文以後問我:RNN是循環神經網絡嗎,我看到論文裏用遞歸神經網絡的更多啊? 我(內心os):有嗎,我感覺我看到的都是循環神經網絡啊? 我:這個應該就是翻譯的問題吧 回去以後我查了一下,發現我錯了,循環神經網絡和遞歸神經網

原创 ubuntu ros anaconda遇到的問題以及解決方法記錄

目錄 1.【ubuntu】右上角時間欄不顯示時間 2.【ubuntu】中打開網頁想複製一些可修改的東西,但是鼠標拉動選中的時候會把文字直接刪除 3.【ubuntu】打開終端以後出現多條  bash: /opt/ros/jade/setup

原创 roa_arduino_bridge控制舵機(未完)

好久以前我寫過這麼一篇博客,當時是爲了單獨控制機械臂夾爪。前些天突然發現我一直都弄錯了,我以爲我用的是ros_arduino_bridge,事實上我用的是rosserial_arduino。 這是當初的標題,現在已經改掉了,文章鏈接在此

原创 基於深度學習的軸承故障識別-LSTM與CNN對比

1024程序員節快樂~ 根據前兩篇博文的實驗結果,可以看出,兩種模型相比,基於卷積神經網絡的軸承故障診斷模型在各方面性能都更爲優異。準確率比基於長短時記憶網絡的軸承故障診斷模型高出近10%,而訓練用時要節省近15分鐘。其實對我來說最關鍵的