数据集下载：https://github.com/camaramm/tennessee-eastman-profBraatz
介绍：http://depts.washington.edu/control/LARRY/TE/download.html
二、论文中的方法提炼 《Industrial Data-Driven Monitoring Based on Incremental Learning Applied to the Detection of Novel Faults》202009一区LDA 1.解决的问题 2.使用的方法 《Fault diagnosis of TE process based on incremental learning》202007—b会—知识蒸馏 关于TE过程的github数据集处理方法链接直接在github上搜索关键词：Tennessee Eastman process
XGBoost/XGBoost.ipynb at master · prudhvinathreddymalla/XGBoost · GitHub
https://github.com/hsaafan/TEPImport
https://github.com/search?l=Python&q=Tennessee+Eastman+process&type=Repositories
Tennessee-Eastman-Process/Time Series-checkpoint.ipynb at master · AugustoCam95/Tennessee-Eastman-Process · GitHub
1.尝试将代码复制在pycharm中跑出来。
2.问题1：
报错。Matplotlib中%matplotlib inline_庆志的小徒弟-CSDN博客_%matplotlib inline
三、增量学习一般的训练测试大致过程：这里只讨论类增量
手写数字数据集举例。0-9的手写数字图片。
将0-9以每两个类别为一批，共有5批（0，1）（2，3）（4，5）（6，7）（8，9）
1.一开始只训练第一批（0，1）的训练集，然后再丢入数字0和1的测试集，记录下此时对数字0和1的识别精度a1，b1；并且设置一个memory存储区，选择部分（0，1）手写数字图片的部分训练集样本，防止遗忘。注意这里是“一边训练，一边存储”
2.在训练过（0，1）的基础上，往模型中继续丢入（2，3）的训练集。训练完后，再将（0，1），（2，3）的测试集丢进网络进行识别，并记录下0-3的识别精度。分别为：a2，b2，c1，d1.
3.继续添加剩余数字的训练集重复该项操作。
在正常训练情况下，最先训练的样本是会被遗忘的。因此需要设置一个存储区，对先前的训练样本进行部分（最原始的random）保留。这样的操作通常称为重播算法。我们会发现即便有个存储区还是会出现a2