ZHCUD85 August 2025 TMS320F28P550SJ
4.2.1 预处理选项
- 预处理通用时间序列数据通常使神经网络能够更准确地对信号进行分类。此过程称为特征提取。FFT 和其他操作的目标是隔离特定相关信号特有的功能。在此简单示例中，您可以通过下图看到锯齿波具有独特的 STFT 光谱图与正弦波的 STFT。较复杂的信号、非周期性信号（如真空和电弧故障）具有独特的时变频谱图。把 FFT 数据帧连接在一起，使神经网络可以更轻松地识别信号的独特时变频率特征。
图 4-10 锯齿波 STFT
图 4-11 正弦波 STFT
图 4-12 真空清洁器和电弧 STFT - 在"Train"选项卡中，在训练前配置预处理参数。有九种预设配置和一个自定义选项。选择预设后，所有参数字段都会更新。用户可以进一步调整这些参数以提高性能。提供了如下下拉选项：
- 预处理预设：从多种预设配置中选择。
- 变换：这是应用于原始时间序列数据的变换。
- 快速傅里叶变换：(FFT) 用于提取频率信息。支持的 FFT 大小均为 2。输出大小等于 1/2 帧大小。如果此选项被选中，则要连接的帧必须为 1。
- FFT 区间：（获取 FFT 输出并将其合并到与每帧特征大小参数相等的多个区间中）
- RAW（原始时间序列数据）
- 帧大小：（输入样本的数量）
- 每帧特征大小：（每个数据帧的区间数量，区间越多，精度越高，但代价是模型更大）
- 要连接的帧：连接缓冲器中过去输入帧的区间。这使得模型能够检测整个频谱范围内的时变变化。帧越多，为模型提供的上下文就越多，但代价是模型更大。
- 通道数：传感器通道数量
- 选择所需的选项后，点击 Train。所选模型会处理训练和验证数据。结果会在训练完成后显示。
- 训练结果会在模型优化完成后显示。
图 4-13 训练结果 - 还会使用测试数据集生成混淆矩阵，用于识别神经网络可能会混淆哪些类。在这个简单的示例中，正确识别了 100% 的数据文件。
图 4-14 混淆矩阵 - TI 使用量化感知训练，这种训练首先对模型进行全精度训练，然后量化模型参数并重新训练模型。这种方法可保持高精度并显著减小模型大小。