Подготовка данных для кластеризации.

В данной лабораторной работе исследуется сварочный контур, состоящий из источника питания, сварочной дуги и сварочной ванны. Сварочная дуга характеризуется такими электронными параметрами, как сварочный ток , напряжение на дуге и т.д. Конкретно эти два главных параметра нам потребуются в предстоящем.

Целью работы является расчет черт процесса РДС, с внедрением Подготовка данных для кластеризации. измеренных характеристик процесса РДС.

Приступим к описанию последовательности действии и их значимости для заслуги поставленной цели. Нужно присвоить все исходные значения, также некие измеренные характеристики процесса РДС. Задается частота дискретизации АЦП, также высчитываются коэффициенты преобразования данных тока и напряжения - они потребуются для получения значений тока и напряжения. В наличии имеются 16 файлов, в Подготовка данных для кластеризации. каких содержатся данные, приобретенные с АЦП, при этом в 8 из их содержатся значения тока и напряжения, считанные при правильной работе, а в других 8 - неверной, эти данные потребуются нам для обучения сети. Показать это в программке можно последующим образом:

#коэффициент преобразования тока

ki = 2.56*500/(2048*0.75);

#для напряжения

ku = 2.56*40/2048;

#частота АЦП

Fs = 2000;

F = ['1_hr.lct'; '1_pl Подготовка данных для кластеризации..lct'; '2_hr.lct'; '2_pl.lct';

'3_hr.lct'; '3_pl.lct'; '4_hr.lct'; '4_pl.lct';

'5_hr.lct'; '5_pl.lct'; '6_hr.lct'; '6_pl.lct';

'7_hr.lct'; '7_pl.lct'; '8_hr.lct'; '8_pl.lct';]

X=zeros(0,31);

Дальше используем цикл, счетчик которого будет изменяться от 1 до 16 – конкретно столько всего файлов с «плохими» и «хорошими» данными Подготовка данных для кластеризации., другими словами пройдем по каждому и выполним деяния, которые будут описаны ниже. Поначалу будет осуществляться чтение каждого файла, расчет тока и напряжения на базе данных из файла и коэффициентов преобразования данных тока и напряжения, приобретенных выше. Запишем приобретенные значения в матрицу М и отсортируем данные по напряжению Подготовка данных для кластеризации.. Дальше матрицу М мы делим на 3 массива, для того чтоб показать три состояния – куцее замыкание, горение дуги и холостой ход.

Для того чтоб поделить на 3 массива используем функции find– она считает количество ненулевых частей и size– она создана для определения размера матрицы, количества ее строк и столбцов. Таким макаром, описанные выше деяния в Подготовка данных для кластеризации. программке можно показать так:

for f=1:16

f

M=load(F(f,:) ); #Загрузка файлов

I= абс(ki*M(:,1)); #ток равен 1-ый столбец из файла*ki по модулю

U= абс(ku*M(:,2)); #напряжение равно 2-ой столбец из файла*ku по модулю

M=cat(2,U,I); #Склейка по горизонтали

M=sort(M,1); #Сортировка

n1=length Подготовка данных для кластеризации.(find(M(:,1)<12)); #колличество номеров чисел <12

n2=length(find(M(:,1)<40)); #колличество номеров чисел <40

n3=length(M(:,1)); #общее кол-во чисел

B1=M(1:n1,1); #Напряжение недлинного замыкания

B2=M(1:n1,2); #Ток КЗ

B3=M(n1+1:n2,1); #Напряжение в рабочем режиме

B4=M(n1+1:n2,2); #Ток а РР

B5=M(n2+1:n3,1); #Напряжение холостого хода

B6=M(n2+1:n3,2); #Ток Подготовка данных для кластеризации. ХХ

Сейчас необходимо найти статистические свойства (математическое ожидание, дисперсия, СКО, асимметрия, эксцесс) для значений тока и напряжения в каждом интервале, для этого будет нужно найти границы интервалов.

Потом соединим все приобретенные значения в матрицу с помощью функции cat, потому что 1-ый ее параметр равен 2, то это означает, что массив будет создаваться Подготовка данных для кластеризации. методом прибавления массива справа (склейка по горизонтали), обозначенного как 3-ий параметр, к массиву, обозначенного в качестве второго параметра этой функции. Показать это в программке можно последующим образом:

A = cat(2, moments(B1), moments(B2));

A = cat(2, A, moments(B3));

A = cat(2, A, moments(B4));

A = cat(2, A, moments(B5));

A Подготовка данных для кластеризации. = cat(2, A, moments(B6));

Дальше определяем количество маленьких замыканий:

U1 = U(1:end-1);

U2 = U(2:end);

N1 = (U1>12);

N2 = (U2<12);

KKZ = length(find(and(N1,N2)));

FKZ=KKZ/(n3/Fs);

A = cat(2, A, FKZ);

X = cat(1,X,A);

end

Предобработка данных.

Последующим шагом является нормализация, она возвращает обученную сеть и количество Подготовка данных для кластеризации. кластеров. Для этого построим матрицы малых и наибольших значений. Для нормировки используем последующую формулу:

.

Показать это в программке можно последующим образом:

MS = mean(X);

SS = std(X);

for NS=1:31 #номер столбца

for i=1:16

X(i,NS)=(X(i,NS)-MS(NS))/SS(NS);

end

end

Дальше необходимо произвести нормирование Подготовка данных для кластеризации. входных данных, для приведения данных к единичному масштабу (привести в сопоставимый вид). Воспользовавшись функцией corrcoef, построим матрицу коэффициентов корреляции, для выявления более важных характеристик. Удалим один фактор из коррелирующей пары, которой соответствуют значения коэффициентов корреляции превысили 0,8 в матрице А. Показать это в программке можно последующим образом:

deli=zeros(0,1);

A = corrcoef Подготовка данных для кластеризации.(X);

for i=1:31 #номер столбца

for j=i+1:31

if (A(j,i)>0.8)

deli=cat(1,deli,i);

end

end

end


podem-nog-iz-upora-lezha.html
podem-otbor-i-podgotovka-shlama-k-analizam.html
podem-po-verevochnoj-lestnice-i-spusk.html