CNN模型准确率没有提高

Question

我有许多来自不同设备的时间序列数据（时间和电压）。我试图将这个时间序列数据转换为图像数组，以便它可以用作图像，我可以在图像上应用 CNN 并可以分类数据来自哪个设备。它基于假设不同的设备产生不同的电压特征，这些特征应该是可区分的。我应用了一个函数，将时间序列数据拆分为图像数组，然后使用 CNN 进行分类。图像尺寸为 14x100 像素。问题是模型的准确性没有改变或几乎没有改变。请在下面找到完整的编码

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import os
import tensorflow as tf
from sklearn.metrics import plot_confusion_matrix, ConfusionMatrixDisplay, confusion_matrix

#Reading data from directory
import pathlib
data_dir = ('Test')
data_dir = pathlib.Path(data_dir)

#File name dictionary
file_name_dict = {
    'Device_1' : list(data_dir.glob('Device_1/*.csv')),
    'Device_2' : list(data_dir.glob('Device_2/*.csv')),
    'Device_3' : list(data_dir.glob('Device_3/*.csv')),
    'Device_4' : list(data_dir.glob('Device_4/*.csv')),
    'Device_5' : list(data_dir.glob('Device_5/*.csv')),
    'Device_6' : list(data_dir.glob('Device_6/*.csv'))
}

#File label dictionary
file_label_dict = {
    'Device_1' : 0,
    'Device_2' : 1,
    'Device_3' : 2,
    'Device_4' : 3,
    'Device_5' : 4,
    'Device_6' : 5,
}


#Processing and labelling the data

device_list, device_label = [],[]   #compressed

#Reading each file, replacing original value with moving average value
for device_name, folder in file_name_dict.items():
    for file in folder:
        file_df = pd.read_csv(str(file))
        file_df.columns = ['time', 'voltage']
        file_df['MA'] = file_df['voltage'].rolling(10,min_periods=0).mean()# moving average
        file_df= file_df.drop('voltage',axis=1)
        file_df.rename(columns={'MA':'voltage'},inplace=True)
        
        #Applying a function
        threshold = file_df['voltage'].diff().gt(1)
        group = (threshold&~threshold.shift(fill_value=False)).cumsum().add(1)
        time= lambda i: i['time'].groupby(group).apply(lambda j: j- j.iloc[0])
        df_2 = (file_df.assign(bit=group,time=time).pivot(index='bit', columns='time', values='voltage'))

        df_3 = df_2.copy()
        df_3.reset_index(drop=True, inplace=True)
        df_3 = df_3.rename_axis(None, axis=1)

        #Compressing to  14 rows 100 columns
        df_4=df_3.iloc[:10, :100]
        
        #Filling out null values
        df_4= df_4.fillna(method='pad')
        
        #Saving each dataframe to a list
        device_list.append(df_4)
        device_label.append(file_label_dict[device_name])
        
#Converting to numpy array
X = np.array(device_list)
y = np.array(device_label)


#Train test split
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size= 0.30,random_state=42)

#Adding 1 dimension to make it, two dimension, to use Conv2D
X_train = X_train.reshape(X_train.shape[0],X_train.shape[1],X_train.shape[2],1)
X_test = X_test.reshape(X_test.shape[0],X_test.shape[1],X_test.shape[2],1)

#scaling data from 0 to 1
X_train_scaled = X_train/36 #Max voltage value 36
X_test_scaled = X_test/36

#Building a CNN a model
#Set random seed
tf.random.set_seed(42)
model_2 = tf.keras.Sequential([
    
    tf.keras.layers.Conv2D(filters=3, kernel_size=3, strides=1, padding="same", activation='relu',kernel_initializer='normal',
                           input_shape=(X_train_scaled[0].shape)),
    tf.keras.layers.MaxPool2D(pool_size=2),
    
    
    tf.keras.layers.Conv2D(6,3, padding="same", activation='relu',kernel_initializer='normal',),
    tf.keras.layers.MaxPool2D(pool_size=2),
    
    tf.keras.layers.Conv2D(12,3, padding="same",activation='relu',kernel_initializer='normal',),
    tf.keras.layers.MaxPool2D(pool_size=2),
    
    
    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(72,activation='relu',kernel_initializer='normal',),
    tf.keras.layers.Dense(6, activation= 'softmax') #Output layer

])
model_2.summary()

#Training
from tensorflow import keras
opt = keras.optimizers.Adam(lr=0.01)
model_2.compile(optimizer=opt,
              loss='sparse_categorical_crossentropy',
                metrics= ['accuracy'])

             
history= model_2.fit(X_train_scaled, y_train,batch_size= 128 , epochs=200,validation_split=0.20, verbose=1) 
history

#Test
loss, accuracy= model_2.evaluate(X_test_scaled, y_test)
print(f'Loss: {loss}, Accuracy: {accuracy}')
print('Test accuracy : ',accuracy*100,'%')

准确度从 0.16 开始上升到 0.18，不超过 0.18。我尝试更改 CNN 模型的不同参数，例如添加更多卷积层、密集层、更改 adam 优化器的学习率、使用不同的优化器、尝试使用不同的 batch_size，但模型的准确性根本没有提高。

如果我在处理数据期间做错了什么，我会感到困惑。有人可以看看编码并告诉我我标记数据的方式是好的，或者我的编码有问题。如果代码很好，任何关于如何提高准确性的建议都非常感谢。我只是不确定这是编码问题还是模型有任何问题，或者数据不足以完成分类任务。

Answer 1

CNN 通常用于数据之间的空间关系（如您所说，例如图像），但您的数据似乎没有这种空间关系。相反，您将它们描述为时间序列，对于时间序列，通常使用所谓的递归神经网络 (RNN)。他们将时间序列的一个步骤作为输入，并将隐藏状态传输到下一个时间序列步骤的下一步。也许这种模型更适合您的需求。