论文进展记录

2021.11.21

• 正在试验不同CNN网络结构，根据WDCNN论文所说，1DCNN使用2层filters=3的神经网络所获得的感受野仅为5*1,视觉领域的网络结构不适应一维卷积

• 前几天试验中加入dropout层导致准确率非常低，应该是由于欠拟合引起的，由于epoch=20,训练次数不够又加上了dropout导致欠拟合，当epoch次数提上去时，准确率有了明显的提升。

• [1] 找一维卷积相关论文，看网络结构该如何搭建
  [2] 看老师发的论文，周五找老师

2021.11.27

• A、B、C组在网络中试验出图，其中A组效果最差，C组效果最好，但是C组效果太好了，优化怎么做？还有必要做吗？

• 看完一篇论文，第一章内容可以是网络结构以及设计原因和不同设计对比，第二章可以涉及到优化（优化意味着模型可能得用底层一点的代码重写),第三章迁移学习？？？？（待定）

• [1] 看网络结构搭建相关论文，进行不同参数的设计的对比工作

• [2] 明天找老师沟通

2021.12.04

• 看完三篇论文：
  [10] ①感受野；②Prelu和PAdam。
  [11] ①平均池化层代替全连接层，②对训练集随机破坏，测试集加入高斯白噪；③换数据集，看变载情况下模型的效果。文中仅用了两个卷积层和一个最大池化，一个平均池化，模型简单，参数量少，可尝试。
  [12] ①多尺度；②在小样本情况下测试结果。也许加入多尺度的确使模型效果变好，但模型参数量看起来非常大
  t-sne和误分类矩阵图可以加入论文中

2021.12.05

• [13]①后一层神经元的数目不超过前一层的一半；文章基本没什么用

2021.12.07

• 有多少个滤波器就会产生多少个不同的特征，即滤波器的数量等于feature map的数量

2021.12.12

• ABC组实验20轮，其中A、B组效果待改善，C、D组效果过好，如果想要改进网络结构且能够明显看出来，需要在噪声环境下进行参数改进。网络结构依然分成两个部分改进，一个通过改变feature maps，一个通过改变FC层，实验得到最佳网络结构

2021.12.13

• 试的三种网络结构似乎差别并不算很大，如果第三个模型CD组的实验结果也并未产生一定差别，换8 layers的网络结构试验
• 关于将FC换成GAP感觉可行

TO DO :

• 跑完剩下两种结构的C、D组 ，将FC改成GAP
• 找找加指定db的高斯白噪声

2021.12.16

• 高斯白噪声可以加了，但是得想好怎么处理维度不同加不上的问题；可以画一个原始信号时域图、噪声信号图、加上噪声信号图；

TO DO:

• 在原来模型的基础上跑完完整ABCD数据集并记录数据

2021.12.26

• 优化与添加噪声同步进行
• [17]中只使用了一个种群，可以借鉴。
• 如果优化实在没做出来暂时先放放。

2021.12.27

-成功加上了噪声，但是模型效果太差了开始着手模型的优化

2021.12.28

• 尴尬，加的噪声好像有点问题