[1 数据集制作与加载](#1 数据集制作与加载)
[1.1 导入数据](#1.1 导入数据)
[1.2 制作数据集](#1.2 制作数据集)
[2 CNN-BiLSTM分类模型和超参数选取](#2 CNN-BiLSTM分类模型和超参数选取)
[2.2 设置参数，训练模型](#2.2 设置参数，训练模型)
[3 模型评估](#3 模型评估)
[3.1 准确率、精确率、召回率、F1 Score](#3.1 准确率、精确率、召回率、F1 Score)
[3.2 十分类混淆矩阵：](#3.2 十分类混淆矩阵：)
往期精彩内容：
电能质量扰动信号数据介绍与分类-Python实现-CSDN博客
Python电能质量扰动信号分类(一)基于LSTM模型的一维信号分类-CSDN博客
Python电能质量扰动信号分类(二)基于CNN模型的一维信号分类-CSDN博客
Python电能质量扰动信号分类(三)基于Transformer的一维信号分类模型-CSDN博客
引言
本文基于Python仿真的电能质量扰动信号，先经过数据预处理进行数据集的制作和加载，然后通过Pytorch实现CNN-BiLSTM模型对扰动信号的分类。
Python仿真电能质量扰动信号的详细介绍可以参考下文（文末附 10分类 数据集）：
电能质量扰动信号数据介绍与分类-Python实现_电磁信号分类python-CSDN博客
部分扰动信号类型波形图如下所示：
1 数据集制作与加载
1.1 导入数据
在参考IEEE Std1159-2019电能质量检测标准与相关文献的基础上构建了扰动信号的模型，生成包括正常信号在内的10中单一信号和多种复合扰动信号。参考之前的文章，进行扰动信号10分类的预处理：
第一步，按照公式模型生成单一信号
单一扰动信号可视化：
第二步，导入十分类数据
python
import pandas as pd
import numpy as np
# 样本时长0.2s 样本步长1024 每个信号生成500个样本 噪声0DB
window_step = 1024
samples = 500
noise = 0
split_rate = [0.7, 0.2, 0.1] # 训练集、验证集、测试集划分比例
# 读取已处理的 CSV 文件
dataframe_10c = pd.read_csv('PDQ_10c_Clasiffy_data.csv' )
dataframe_10c.shape1.2 制作数据集
第一步，定义制作数据集函数
第二步，制作数据集与分类标签
python
from joblib import dump, load
# 生成数据
train_dataframe, val_dataframe, test_dataframe = make_data(dataframe_10c, split_rate)
# 制作标签
train_xdata, train_ylabel = make_data_labels(train_dataframe)
val_xdata, val_ylabel = make_data_labels(val_dataframe)
test_xdata, test_ylabel = make_data_labels(test_dataframe)
# 保存数据
dump(train_xdata, 'TrainX_1024_0DB_10c')
dump(val_xdata, 'ValX_1024_0DB_10c')
dump(test_xdata, 'TestX_1024_0DB_10c')
dump(train_ylabel, 'TrainY_1024_0DB_10c')
dump(val_ylabel, 'ValY_1024_0DB_10c')
dump(test_ylabel, 'TestY_1024_0DB_10c')2 CNN-BiLSTM分类模型和超参数选取
2.1定义CNN-BiLSTM分类模型
注意：输入数据维度为[64, 1, 1024], 先送入CNN网络进行1d的卷积池化，然后再把卷积池化的空间特征送入BiLSTM进行信号时域特征的提取，最终送入全连接层和softmax进行分类。
2.2 设置参数，训练模型
100个epoch，准确率将近98%，CNN-BiLSTM模型分类效果良好，分类准确率高，性能优越，适当调整模型参数，可以进一步提高分类准确率。
注意调整参数：
-
可以适当增加 CNN层数和隐藏层维度数，微调学习率；
-
增加BiLSTM层数和维度数，增加更多的 epoch （注意防止过拟合）
-
可以改变一维信号堆叠的形状（设置合适的长度和维度）
3 模型评估
3.1 准确率、精确率、召回率、F1 Score
3.2 十分类混淆矩阵：
代码、数据如下：
