深度學習數據集預處理之打標籤

本程序爲Matlab程序（咱不耽誤鐵汁們時間）
在有監督深度學習中，數據集和標籤集是缺一不可的，標籤是啥呢，就是用來區分數據之間的分類命名，那麼咱們開門見山，走起。
首先，確定數據集的維數，以m行1列的電機軸承數據集爲例
需要做啥呢？
均值+歸一化處理，ok不
咋整呢
給兩個小程序，都能實現，效果一樣

（1）

load Normal_3.mat                  %導入正常數據
x0 = X100_DE_time(1:480000,:);     %令x0賦值爲驅動端數據，總共48萬個
x0 = x0 - mean(x0);                % 去均值處理 ，mean爲MATLAB自帶求均值函數 
x0 = x0';                          %令x0重新賦值，爲去均值之後的數
y0 = mapminmax(x0,0,1);            %歸一化處理 歸一化函數爲[A1,PS]=mapminmax(A)
                                   A1爲矩陣，ps爲對應關係
                                   也可表示成y0=map（取值，下界，上界）
A0 = zeros(600,800);               %創建矩陣A0，zeros函數爲創建矩陣函數，（行，列）
for i = 1:600                      之前數據爲48萬行，1列，每取600個數放入一列
    for j = 1:800
        A0(i,j) = y0(800*(i-1)+j);    %對新建矩陣進行賦值，新矩陣建成，600行800列
    end;
end;

下一步，各種故障類型矩陣建立成功，開始合併，加入標籤

traindata = [A0;A1;A2;A3;A4;A5;A6;A7;A8;A9];     % 合併處理，[;]代表縱向拼接[，]爲橫向拼接，一共6000行數據
trainlabels=zeros(6000,10);                      %新建標籤矩陣6000行，10列
for i=1:10       
  trainlabels(600*i-599:600*i,i)=1;              %每600行做一次賦值處理，賦值爲1，一共十次，對應10類故障
end 

save('traindata','traindata');                   %保存文件
save('trainlabels','trainlabels');

一個不夠？
再來一個！

（2）

Mt1f2=mt1f2(202:10201,:);             %每小時20個數據故障截取10-510小時的數據，即202行到10201行 ，共10000行
Mt1f4=mt1f4(202:10201,:);
Mt1f8=mt1f8(202:10201,:);

                                      增加隨機打亂數據分佈
Mt1f2=mt1f2(randperm(size(mtaf2,1)),:);      %隨機打亂排序，mt1f2代表mt1f2的行數
Mt1f4=mt1f4(randperm(size(mtaf4,1)),:); 
Mt1f8=mt1f8(randperm(size(mtaf8,1)),:); 

Traindata=[mt1f2(1:8000,:);mt1f4(1:8000,:);mt1f8(1:8000,:);mt1f12(1:8000,:)mt1.......mtiff18(1:8000,:);];           
                    %每類取80%的數據爲訓練集，再合成一個訓練集
testdata=[mt1f2(8001:10000,:);mt1f4(8001:10000,:);mt1f8(8001:10000,:);mt1f12(8001:10000,:)mt1.......mtiff18(8001:10000,:);];       
                    %每類取20%的數據合成測試集
Save進行保存 
T1=[1 0 0 0 0 0 0];
T2=[0 1 0 0 0 0 0];
T3=[0 0 1 0 0 0 0];
T4=[0 0 0 1 0 0 0];                    %對故障進行編碼

Rt1=repmat(t1,400,1);
Rt2=repmat(t2,400,1);
Rt3=repmat(t3,400,1);
Rt4=repmat(t4,400,1);                  %對t重複400行，進行賦值
Te1=repmat(t1,100,1);
Te2=repmat(t2,400,1);
......

Trainlabels=[rt1;tr2;tr3;tr4;tr5;tr6;tr7;tr8];   %合成樣本訓練標籤集
Testlabels=[te1;te2;te3;te4;....]                %合成樣本測試標籤集

歐不歐？！
好使！
整就完了！

PS：看好自己保存的位置，別找不到了，完犢子。