風機槳葉故障診斷（五） 修改隱含層神經元個數的嘗試
我們已經為訓練乙個更為穩健的神經網路做好了樣本的準備工作，那麼我們開始下一步的工作吧！
我們已經有了樣本集，目前我篩選出來了247個正樣本，652個負樣本。這樣的樣本的規模是否夠用？是處在高方差還是高偏差？需不需要增加隱含層神經元個數以增加演算法的複雜程度？這些問題都可以歸結到乙個問題，我們的演算法現在處在什麼樣的狀態？
下面一步我打算進行模型選擇，通過選擇不同隱含層神經元個數時演算法的不同表現來進行分析我們的演算法現在處在什麼樣的狀態，並且選擇出最適合我們問題的隱含層神經元個數。
所以接下來的任務很簡單，在已經寫好的訓練bp神經網路的**基礎上外面套一層for迴圈，我從25個隱含層節點開始執行，每次增加25個節點，一直執行到625個節點結束（事實證明這個上限選的有點大了，浪費了很多時間）。對於每次的訓練，記錄下神經網路在訓練集和測試集上的**準確率。全部運算完畢後將會繪出圖來。
接下來的任務就是等待了
......
漫長的等待終於執行完了，沒想到居然跑了14個小時。其實像這樣浪費時間的事情這些天一直在發生，因為之前沒有過完整的機器學習系統開發的經驗，神經網路這麼細緻的使用也是第一次，迴圈的上限選大了沒想到會跑這麼久，再加上本來電腦就慢。不管怎樣終於執行完了，來看看結果（橫座標是隱含層神經元個數）：
可以看到，模型在訓練集上的**準確率一直在非常高的水平，但隨著隱含層神經元數量的上公升，測試集上的準確率卻在下降。這說明我們的演算法過擬合了，由此圖我們得出以下結論：
1.隱含層個數選取在25-100是當前情況下比較好的。
2.we need more data! 演算法過擬合了，說明獲取更好更多的資料能夠幫到我們
看了我們當前的神經網路的結構（25個隱含層節點）已經是比較合理的了，樣本我們暫時也獲取不了更多，看了下一步要想辦法從特徵選取上入手嘗試一下了，今天就到這裡~
煤礦軸流式風機振動故障診斷學習
今天敲定了專案從煤礦風機開始做起，這會就開始展開對軸流式風機的學習。首先閱讀了礦井的通風機選型設計指導，了解了礦井中通風機的基本構造。通過查閱文獻可以知道，通風機整個系統由四個部分組成，分別是電機，聯軸器，軸承箱和葉輪。我們可以對幾個部分分開進行討論。1 對於電機本體，可以查閱電機的故障診斷內容，這...
主機板故障診斷卡
02 確定診斷的型別 正常或者製造 如果鍵盤緩衝器含有資料就會失效。停用不可遮蔽中斷 通過延遲開始。cmos寫入 讀出正在進行或者失靈。處理方法 主機板中鍵盤相關電路及鍵盤本身 03 清除8042鍵盤控制器，發出testkbrd命令 aah 通電延遲已完成。rom bios檢查部件正在進行或失靈。處...
氧感測故障診斷
故障 說明 上游加熱型氧感測器用於修正燃油控制，感測器將環境空氣中的氧含量與排氣流中的氧含量進行比較，每個加熱型氧感測器內都有給感測器加熱的加熱元件。發動機控制模組控制加熱型氧感測器的加熱控制電路，這就使得系統能更早地進入閉環模式，讓感測器更早計算空燃比。發動機控制模組指令加熱元件接通或關閉，使加熱...