轴承故障分类方法之CNN+SVM和ELM

一直想写这个方法，CNN+SVM是我一开始学习的时候想复现的，结果学了很久才达到目标。主要还是太急于求成了，而且现成的资料很难查到，等对CNN和SVM模型以及训练方法有了一定了解以后，我才真正复现。但是实际上这个方法效果一般，只是给大家提供一种思路而已。

0.相关原理

大家都知道CNN是通过梯度下降法，不断正向加反向传播来实现参数优化的，而SVM则更像是一次性的方法，只能正向传播，并不能同样进行反向传播，极限学习ELM也是一样的。因此，二者不能同步，CNN+SVM是无法直接进行训练的，这是必须首先认识到的一点。

因此CNN+SVM的典型过程就是CNN训练、保存参数、载入参数并输出特征值、再次训练加测试这几个步骤。

1.CNN训练和保存参数

这个过程比较常规，以普通1DCNN模型为例，我们首先进行训练，而后保存模型参数：

def CNN_1D():
    inputs1 = Input(shape=(2048, 1))
    conv1 = Conv1D(filters=16, kernel_size=6, strides=2)(inputs1)
    BN1 = BatchNormalization()(conv1)
    act1 = Activation('relu')(BN1)
    pool1 = MaxPooling1D(pool_size=2, strides=2)(act1)
    conv4 = Conv1D(filters=24, kernel_size=3, padding='same')(pool1)
    BN2 = BatchN