直接发文!1D-2D-MTF-CNN-GRU-AT多通道图像时序融合的分类/故障识别程序!Excel导入,直接运行

这篇具有很好参考价值的文章主要介绍了直接发文!1D-2D-MTF-CNN-GRU-AT多通道图像时序融合的分类/故障识别程序!Excel导入,直接运行。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

​适用平台:Matlab2023版本及以上

本程序同时结合两篇国内顶级EI的方法:提出1D-2D-MTF-CNN-GRU-AT多通道图像时序融合的分类/故障识别程序!

①中文EI期刊《电力自动化设备》12月29号网络首发文献:《基于格拉姆角场与并行CNN的并网逆变器开关管健康诊断》;

②中文EI期刊《电网技术》网络首发文献:《基于马尔可夫转换场与多头注意力机制的电能质量扰动分类方法》直接发文!1D-2D-MTF-CNN-GRU-AT多通道图像时序融合的分类/故障识别程序!Excel导入,直接运行,cnn,gru,分类,lstm,matlab,神经网络

此外,在此基础上进一步对模型进行优势结合,程序注释清晰,干货满满,下面对文章和程序做简要介绍!

文献①解读:这篇文献中,首先,采集一维故障电压与电流信号的时序序列;其次,利用格拉姆角场对其进行变换,将两种一维时序信号转化为格拉姆角场,最后,将生成的两组图像同时送入CNN进行并行学习训练,实现逆变器故障诊断。

创新点:双支路特征提取结构可以实现分别提取不同侧重点的特征,实现双支路的特征互补。

直接发文!1D-2D-MTF-CNN-GRU-AT多通道图像时序融合的分类/故障识别程序!Excel导入,直接运行,cnn,gru,分类,lstm,matlab,神经网络

文献②解读:这篇文献的创新点在于马尔可夫场(MTF)与卷积神经网络(CNN)相结合,融入多头注意力机制,实现故障分类。MTF将一维信号转换为二维特征图,而CNN可以对这些特征图进行自适应的特征提取和分类,融合多头注意力机制有效把握提取特征的贡献程度,实现了故障的准确分类。

创新点:通过顺序表达状态转移矩阵,充分保留了离散化时域动态信息,最终利用模糊内核聚合生成二维图像,图像化一维时序数据,更有效地捕捉复杂的波形规律和异常。

直接发文!1D-2D-MTF-CNN-GRU-AT多通道图像时序融合的分类/故障识别程序!Excel导入,直接运行,cnn,gru,分类,lstm,matlab,神经网络

模型结合改进:我们提出的模型在上述模型基础上提出优势互补模型:

模型互补:

  • 参考文献①:采用双支路结构,分别利用不同的支路提取不同侧重点的特征,实现双支路的特征互补。

  • 参考文献②:仅需原始故障波形数据,即可根据波形数据,将一维序列转化为二维马尔科夫场(MTF)图像。

模型改进:

  • 一路为图像输入经CNN提取格拉姆角场图像特征,提出将另一路为故障波形直接输入经GRU提取时序特征,高维图像特征和一维时序特征融合。

  • 融合多头注意力机制有效把握提取特征的贡献程度,将特征进行重点强化,提高故障识别的准确率,并计算精确度、召回率、精确率、F1分数等评价指标。故障识别流程如下:

直接发文!1D-2D-MTF-CNN-GRU-AT多通道图像时序融合的分类/故障识别程序!Excel导入,直接运行,cnn,gru,分类,lstm,matlab,神经网络

六重创新点:

1、多模态融合:将一维时序信号和二维图像融合,可以综合利用不同模态的信息,从而更全面地描述数据的特征。这有助于提取更丰富、更有区别性的特征,从而提高分类和识别的准确性。

2、时序信息捕获:GRU(门控循环单元)是一种适用于时序数据的循环神经网络,它能够捕获一维时序信号中的动态变化和趋势。通过将GRU与CNN结合,算法可以同时考虑时序特征和空间特征,进一步提升了算法的性能。

3、空间特征学习:CNN(卷积神经网络)在图像处理中表现出色,能够有效地学习图像的空间特征和局部模式。将CNN用于图像数据的处理可以帮助提取图像的纹理、形状和边缘等特征,有助于更准确地进行分类和故障识别。

4、融合优势:通过融合不同模态的信息,算法可以弥补一维时序信号和二维图像各自的局限性。例如,图像可能对于某些故障模式更敏感,而时序信号则对于其他模式更敏感。将它们结合起来,可以增强算法的鲁棒性和泛化能力。

5、多头自注意力机制:融合多头注意力机制有效把握提取特征的贡献程度,将特征进行重点强化,提高故障识别的准确率。

6、提高泛化能力:多模态融合可以帮助算法更好地理解数据的本质特征,从而减少过拟合的风险,提高算法在新数据上的泛化能力。

适用领域:适用于各种数据分类场景,如滚动轴承故障、变压器油气故障、电力系统输电线路故障区域、绝缘子、配网、电能质量扰动,等领域的识别、诊断和分类。

直接替换数据就可以,使用EXCEL表格直接导入,不需要对程序大幅修改。程序内有详细注释,便于理解程序运行。

数据格式:一行一个样本,最后一列为样本所属的故障类型标签

直接发文!1D-2D-MTF-CNN-GRU-AT多通道图像时序融合的分类/故障识别程序!Excel导入,直接运行,cnn,gru,分类,lstm,matlab,神经网络

程序结果:(由上述一维序列自动转化为马尔可夫场图像)

直接发文!1D-2D-MTF-CNN-GRU-AT多通道图像时序融合的分类/故障识别程序!Excel导入,直接运行,cnn,gru,分类,lstm,matlab,神经网络

部分图片来源于网络,侵权联系删除!

欢迎感兴趣的小伙伴联系小编获得完整版代码哦~,关注小编会继续推送更有质量的学习资料、文章程序代码~文章来源地址https://www.toymoban.com/news/detail-807719.html

到了这里,关于直接发文!1D-2D-MTF-CNN-GRU-AT多通道图像时序融合的分类/故障识别程序!Excel导入,直接运行的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • nn.BatchNorm讲解,nn.BatchNorm1d, nn.BatchNorm2d代码演示

            BatchNorm是深度网络中经常用到的加速神经网络训练,加速收敛速度及稳定性的算法,是深度网络训练必不可少的一部分,几乎成为标配;         BatchNorm 即批规范化,是为了 将每个batch的数据规范化为统一的分布 ,帮助网络训练, 对输入数据做规范化,称为

    2023年04月18日
    浏览(48)
  • pytorch框架:conv1d、conv2d的输入数据维度是什么样的

    Conv1d 的输入数据维度通常是一个三维张量,形状为 (batch_size, in_channels, sequence_length),其中: batch_size 表示当前输入数据的批次大小; in_channels 表示当前输入数据的通道数,对于文本分类任务通常为 1,对于图像分类任务通常为 3(RGB)、1(灰度)等; sequence_length 表示当前输

    2024年01月16日
    浏览(50)
  • 使用python实现CNN-GRU故障诊断

    要实现1DCNN-GRU进行故障诊断,您可以使用以下Python代码作为参考: 首先,导入所需的库: 加载训练集和测试集的数据: 定义模型结构: 训练模型: 绘制训练过程的准确率和损失曲线: 在测试集上进行预测并计算准确率和混淆矩阵: 请确保您已经准备好训练集和测试集的数

    2024年02月12日
    浏览(38)
  • 分类预测 | MATLAB实现CNN-GRU-Attention多输入分类预测

    分类效果 模型描述 Matlab实现CNN-GRU-Attention多变量分类预测 1.data为数据集,格式为excel,12个输入特征,输出四个类别; 2.MainCNN-GRU-AttentionNC.m为主程序文件,运行即可; 注意程序和数据放在一个文件夹,运行环境为Matlab2020b及以上。 4.注意力机制模块: SEBlock(Squeeze-and-Excita

    2023年04月08日
    浏览(44)
  • 基于深度学习的轴承寿命预测实践,开发CNN、融合LSTM/GRU/ATTENTION

    关于轴承相关的项目之前做的大都是故障识别诊断类型的,少有涉及回归预测的,周末的时候宅家发现一个轴承寿命加速实验的数据集就想着拿来做一下寿命预测。 首先看下数据集如下: 直接百度即可搜到,这里就不再赘述了。 Learning_set为训练集 Test_set为测试集 我这里为了

    2024年02月02日
    浏览(47)
  • 基于CNN-GRU-Attention的时间序列回归预测matlab仿真

    目录 1.算法运行效果图预览 2.算法运行软件版本 3.部分核心程序 4.算法理论概述 4.1 CNN(卷积神经网络)部分 4.2 GRU(门控循环单元)部分 4.3 Attention机制部分 5.算法完整程序工程 matlab2022a          CNN-GRU-Attention模型结合了卷积神经网络(CNN)、门控循环单元(GRU)和注意力

    2024年02月22日
    浏览(44)
  • 分类预测 | Matlab实现基于TSOA-CNN-GRU-Attention的数据分类预测

    效果一览 基本介绍 Matlab实现分类预测 | Matlab实现基于TSOA-CNN-GRU-Attention的数据分类预测(Matlab完整程序和数据) 凌日优化卷积神经网络结合门控循环单元融合注意力机制的数据分类预测是一种复杂的模型架构,旨在提高数据分类任务的性能。下面我将逐步介绍这个模型的各个

    2024年02月13日
    浏览(49)
  • 增加PyQt5界面的交通流量预测(模型为CNN_GRU,CNN_BiGRU_ATTENTION,LSTM,Python代码)

    1.效果视频:增加PyQt5界面的交通流量预测(模型为CNN_GRU,CNN_BiGRU_ATTENTION,LSTM)_哔哩哔哩_bilibili) 2.三个模型和数据集的介绍 交通流量预测(python代码,压缩包中带有数据,CNN_GRU,CNN_BiGRU_ATTENTION,LSTM三种不同模型,多特征输入,单标签输出,可以替换为其它时序数据集)_交通

    2024年04月28日
    浏览(39)
  • 多维时序 | MATLAB实现SABO-CNN-GRU-Attention多变量时间序列预测

    预测效果 基本介绍 多维时序 | MATLAB实现SABO-CNN-GRU-Attention多变量时间序列预测。 模型描述 MATLAB实现SABO-CNN-GRU-Attention多变量时间序列预测 1.无Attention适用于MATLAB 2020版及以上版本;融合Attention要求Matlab2023版以上; 2.基于减法平均优化器优化算法(SABO)、卷积神经网络(CNN)和

    2024年02月11日
    浏览(55)
  • 多维时序 | MATLAB实现WOA-CNN-GRU-Attention多变量时间序列预测

    预测效果 基本介绍 MATLAB实现WOA-CNN-GRU-Attention多变量时间序列预测,WOA-CNN-GRU-Attention结合注意力机制多变量时间序列预测。 模型描述 Matlab实现WOA-CNN-GRU-Attention多变量时间序列预测 1.融合Attention要求Matlab2023版以上; 2.基于鲸鱼优化算法(WOA)、卷积神经网络(CNN)和门控循环

    2024年02月12日
    浏览(48)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包