MATLAB ile Mühendislik #65 | 1B CNN ile Sensör Sınıflama: Deep Learning Toolbox

Eğitmen: Dr. Süleyman Burak ÇELİK

Bir titreşim penceresini nasıl sınıflarız? Küçük kayan çarpımı elle hesaplıyor, özgün sentetik sensör verisinde 1B CNN kuruyor; boyut, taban çizgisi, ayrı test ve en iyi doğrulama ağıyla sonucu denetliyoruz. Özgün sentetik sensör üreteciyle sağlam, kaçık ve rulman sınıfları kurulur. Küçük kayan iç çarpım elle açılır; convolution1dLayer ile conv süzgeç yönü karşılaştırılır. ReLU ve global ortalama; 256→242→121→113 uzunluk zinciri ve 1347 öğrenilebilir parametre ayrı işlemlerle hesaplanır. RMS ve moment oranını kullanan el yazımı merkez taban çizgisi aynı testte %64; CNN 421/450 doğru, yaklaşık %93.56 verir. Bu oran yalnız sentetik sensör pencerelerinin testine aittir; gerçek makine tanı başarısı değildir. Softmax hesabında altı ondalıklı ara değerler korunur; dört basamaklı son gösterim ile sesin yaklaşık iki basamaklı okunuşu ayrıdır. Olasılığı erkenden 0.8477 değerine yuvarlayıp kaybı hesaplamak 0.1652 verir; kullanılan ara6 zincir 0.1653 sonucunu verir. Gerçek MATLAB değeri ayrıca korunur. Uzun giriş, gerçek kırpma, circshift, gürültü, az veri ve aynı ortamda tekrar denemeleri gösterilir. circshift uç birleşiminde yapay darbe getirir; doğruluk düşüşü tek başına kayma hassasiyeti kanıtı değildir. Az veri yakalamasında 60/16=3.75, floor=3 tam mini-batch ve 1000 turda 3000 gerçek son iterasyon vardır. OutputNetwork auto, doğrulama verisi varken en iyi doğrulama ağını döndürür: infoK son 3000, netK en iyi 1230. Ana eğitimde en iyi = son 1380 olur. Bu iki eğitim karıştırılmaz. Gerçek Padding, MinLength, dizi düzeni, hedef türü, GAP ve çıkış sayısı hataları neden satırlarıyla ele alınır. Bu derste: 1. Deep Learning Toolbox 26.2 ve CPU yürütmesi 2. Elle kayan iç çarpım, conv yön farkı, ReLU ve ortalama 3. Sentetik sensör üreteci ve eğitim/doğrulama/test ayrımı 4. El yazımı RMS ve basıklık taban çizgisi 5. Katman uzunluğu, alıcı alan ve 1347 parametre 6. Karışıklık matrisi, kesinlik, duyarlılık ve F1 7. Softmax ara6 hesabı ile yaklaşık ses okunuşunun ayrımı 8. Etkinleşme haritası ve süzgeç yorumunun sınırları 9. Gerçek kırpma ve yapay uç darbesi oluşturan circshift 10. Az veride best-validation/son iterasyon ayrımı 11. Gerçek dizi, etiket ve mimari hata mesajları Bölümler: 0:00 Problem ve gerekli eklenti 0:40 Örnek1: kayan çarpımı elle hesapla 2:21 Sentetik veri ve dizi düzeni 3:15 RMS ve basıklık taban çizgisi 3:38 Parametre, uzunluk ve alıcı alan 4:48 Eğitim ve doğrulama 5:18 Karışıklık matrisi ve test hesabı 6:16 Softmax ve hassasiyet 7:14 Özellik haritası ve süzgeçler 8:02 Örnek2: uzunluk, kayma ve gürültü 9:20 Az veri ve doğru ağın seçimi 11:15 Gerçek hatalar ve nedenleri 12:47 Bu derste öğrendiklerimiz Gerekli MATLAB eklentileri: Deep Learning Toolbox 26.2 (MATLAB R2026b Update 1): sequenceInputLayer,convolution1dLayer,reluLayer,maxPooling1dLayer,globalAveragePooling1dLayer,fullyConnectedLayer,softmaxLayer,dlnetwork,trainingOptions,trainnet,minibatchpredict,scores2label,testnet,extractdata. Temel MATLAB: fft,conv,accumarray,countcats,circshift,std,mean,rand,randn,surf,maxNumCompThreads. Bu CPU yakalamasında Signal Processing, Statistics and Machine Learning veya Parallel Computing Toolbox gerekmiyor; taban çizgisi aritmetik olarak yazılmıştır. Kaynak kitap: Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning (MIT Press, 2016), Bölüm 9 Convolutional Networks: https://www.deeplearningbook.org/contents/convnets.html . Yerel PDF kullanılmadı; kitap okundu, sayfa/alt bölüm doğrulandı iddiası yok. Örnek, mimari ve sayılar özgündür. MathWorks resmi R2026b belgeleri: https://www.mathworks.com/help/deeplearning/ref/trainingoptions.html ; https://www.mathworks.com/help/deeplearning/ref/nnet.cnn.layer.convolution1dlayer.html . OutputNetwork auto davranışı resmi belgede doğrulandı. Anlatım için yapay zekâ sesi Gemini Puck kullanılır. Ders kurgusu, sentetik veri üreteci, MATLAB yakalaması ve bağımsız hesap doğrulamaları özgündür. Hedef kitle: mühendislik öğrencileri ve temel MATLAB bilenler. Ön koşul: dizi boyutları, ortalama ve temel olasılık. Gerçek makine bakım kararı için hazırlanmış bir tanı modeli değildir. #MATLAB #DeepLearning #CNN #Sensor #AcEdumy

Bu videoyu izlemek için Premium üyelik gerekir.