深度学习大仙请进！别猜谜语了，干点正事吧。 - 未名空间MITBBS历史存档

国际科技财经博客移民网络热点娱乐民生时事公众号

Redian新闻

>未名空间

>Joke - 肚皮舞运动

深度学习大仙请进！别猜谜语了，干点正事吧。

深度学习大仙请进！别猜谜语了，干点正事吧。# Joke - 肚皮舞运动

f*t2018-01-19 08:01

1 楼

求教深度学习的大仙：
input数据是6维的，target数据是34维的。用什么神经网络算法（或者别的什么算法）
效果比较好。
注明：
[1]. input数据是在一个工艺流程中间取6个节点测得的流速（已经有了具体数据）。
详见：
http://www.mitbbs.com/article_t/Joke/33884905.html
或者
http://www.mitbbs.com/article_t/Joke/33886307.html
[2]. target数据是整个流程的34个输出端流速（已经有了具体数据）。太多了，这里
罗列不下。
[3]. input数据中的向量和target数据中的向量是一一对应关系。
[4]. 现在的问题与上次帖子问的问题有些不同，这里好像不涉及随时间变化的预测问
题,原因是[3]。（在以前的帖子中，是单独看input数据的，那是随时间变化的。但现
在已经测得了足够的数据了，就不用预测了）
先多谢了！包子伺候:)

d*o2018-01-19 08:01

2 楼

要的34维跟输入的6维有什么关系吗

【在 f***t 的大作中提到】

: 求教深度学习的大仙：
: input数据是6维的，target数据是34维的。用什么神经网络算法（或者别的什么算法）
: 效果比较好。
: 注明：
: [1]. input数据是在一个工艺流程中间取6个节点测得的流速（已经有了具体数据）。
: 详见：
: http://www.mitbbs.com/article_t/Joke/33884905.html
: 或者
: http://www.mitbbs.com/article_t/Joke/33886307.html
: [2]. target数据是整个流程的34个输出端流速（已经有了具体数据）。太多了，这里

f*t2018-01-19 08:01

3 楼

谢谢大蝌蚪先！
100%肯定有关系，但不知道具体的数学表达式应该是个啥样子。这么说吧，那个6维的
输入可以理解为函数的自变量（已经有了具体数据），34维的输出可以理解为函数的因
变量（已经有了具体数据）。用什么算法能把这个函数关系表达地尽量准确些。我说明
白了吗？

【在 d****o 的大作中提到】

: 要的34维跟输入的6维有什么关系吗

d*o2018-01-19 08:01

4 楼

就是你有一些training data,
里面有输入的六个自变量和对应的34个因变量
然后你要train一个模型，
让它对你给的任何一组六维自变量输出34维因变量？

【在 f***t 的大作中提到】

: 谢谢大蝌蚪先！
: 100%肯定有关系，但不知道具体的数学表达式应该是个啥样子。这么说吧，那个6维的
: 输入可以理解为函数的自变量（已经有了具体数据），34维的输出可以理解为函数的因
: 变量（已经有了具体数据）。用什么算法能把这个函数关系表达地尽量准确些。我说明
: 白了吗？

f*t2018-01-19 08:01

5 楼

对，就是这个意思。用啥算法效果好？我没搞过modelling，这次是被逼上梁山了。谢
谢蝌蚪了！

【在 d****o 的大作中提到】

: 就是你有一些training data,
: 里面有输入的六个自变量和对应的34个因变量
: 然后你要train一个模型，
: 让它对你给的任何一组六维自变量输出34维因变量？

d*o2018-01-19 08:01

6 楼

你搜emulation

【在 f***t 的大作中提到】

: 对，就是这个意思。用啥算法效果好？我没搞过modelling，这次是被逼上梁山了。谢
: 谢蝌蚪了！

w*a2018-01-19 08:01

7 楼

principal component analysis + decomposition？

f*t2018-01-19 08:01

8 楼

好的，多谢蝌蚪。我先看看去。

【在 d****o 的大作中提到】

: 你搜emulation

f*t2018-01-19 08:01

9 楼

谢谢，狗了一下
https://en.wikipedia.org/wiki/Principal_component_analysis
怎么感觉PCA好像是降维用的？不知道对不对？

【在 w*******a 的大作中提到】

: principal component analysis + decomposition？

f*t2018-01-19 08:01

10 楼

蝌蚪，看了一下，有点发晕，怎么好像又扯到硬件上去了。能麻烦您给个链接吗？谢谢
了。

【在 d****o 的大作中提到】

: 你搜emulation

d*o2018-01-19 08:01

11 楼

https://en.wikipedia.org/wiki/Gaussian_process_emulator

【在 f***t 的大作中提到】

: 蝌蚪，看了一下，有点发晕，怎么好像又扯到硬件上去了。能麻烦您给个链接吗？谢谢
: 了。

f*t2018-01-19 08:01

12 楼

好的，多谢！

【在 d****o 的大作中提到】

: https://en.wikipedia.org/wiki/Gaussian_process_emulator

s*e2018-01-19 08:01

13 楼

我只会做线性模型，很简单，不知道行不行。下面是做法：
这个问题就是求解线性问题：Ax= B， A是输入（1x6 矩阵），B是输出（1x34 矩阵）
，x是变换矩阵大小是6x34。
求解必须有很多组Training数据，每组数据有一个输入，一个输出。假设有N组数据。
于是把所有数据合起来，A变成Nx6矩阵，B变成Nx34矩阵。
现在Ax = B是个矩阵方程，可以直接求解x矩阵，方法是对矩阵A使用伪逆。
https://en.wikipedia.org/wiki/Moore%E2%80%93Penrose_inverse
x = inv(A'A)A'B, A'代表共轭转置。

f*t2018-01-19 08:01

14 楼

恩，这个办法很直观。我现在就用matlab跑一下数据看看。先谢谢了！

【在 s*******e 的大作中提到】

: 我只会做线性模型，很简单，不知道行不行。下面是做法：
: 这个问题就是求解线性问题：Ax= B， A是输入（1x6 矩阵），B是输出（1x34 矩阵）
: ，x是变换矩阵大小是6x34。
: 求解必须有很多组Training数据，每组数据有一个输入，一个输出。假设有N组数据。
: 于是把所有数据合起来，A变成Nx6矩阵，B变成Nx34矩阵。
: 现在Ax = B是个矩阵方程，可以直接求解x矩阵，方法是对矩阵A使用伪逆。
: https://en.wikipedia.org/wiki/Moore%E2%80%93Penrose_inverse
: x = inv(A'A)A'B, A'代表共轭转置。

l*82018-01-19 08:01

15 楼

graphical model.
没看你的数据，如果一定要dl的话，根据数据之间的关系，构建cnn或rnn或者两个混合
起来都可以。
其实先直接拿个线性模型看看效果再说啦。

【在 f***t 的大作中提到】

z*e2018-01-19 08:01

16 楼

I think you need a particle filter