numpy的一些使用记录

细节问题可以看numpy中文官网

np.isnan()

np.isnan()能够检测输入是否为空等,但必须是数字,而输入字符串类型会报错。

import numpy as np
s = [2, np.nan]
print np.isnan(s)
"""
输出:[False  True]
"""
print np.isnan("")
"""
直接报错,因为输入类型错误
"""
pd.isnull()

上面的np.isnan()当输入字符串时,会报错,而不是返回True或者False,所以用pd.isnull()替代,pd.isnull()能够接受字符串等输入,如:

import numpy as np
s = [2, np.nan, ""]
print pd.isnull(s)
"""
输出:
[False False False]
"""
np.append()

np.append()的作用是合并两个ndarray形式的数据。

import numpy as np
a = np.random.rand(2,2,2)
b = np.random.rand(2,2,2)
print a.shape # 输出:(2, 2, 2)
print b.shape # 输出:(2, 2, 2)

c0 = np.append(a, b, axis = 0)
print "c0.shape:", c0.shape
c1 = np.append(a, b, axis = 1)
print "c1.shape:", c1.shape
c2 = np.append(a, b, axis = 2)
print "c2.shape:", c2.shape
"""
c0.shape: (4, 2, 2)
c1.shape: (2, 4, 2)
c2.shape: (2, 2, 4)
"""

从中可以看出,axis是用来指定合并的维度,计数从0开始,这样就可以用np.append()实现两个ndarray在指定维度的融合了。

内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值