西安外贸建站,东莞网络推广平,网站地图怎么做_,中国电信的视频播放器往期精彩内容#xff1a;
电能质量扰动信号数据介绍与分类-Python实现-CSDN博客
Python电能质量扰动信号分类(一)基于LSTM模型的一维信号分类-CSDN博客
Python电能质量扰动信号分类(二)基于CNN模型的一维信号分类-CSDN博客
Python电能质量扰动信号分类(三)基于Transformer…
往期精彩内容
电能质量扰动信号数据介绍与分类-Python实现-CSDN博客
Python电能质量扰动信号分类(一)基于LSTM模型的一维信号分类-CSDN博客
Python电能质量扰动信号分类(二)基于CNN模型的一维信号分类-CSDN博客
Python电能质量扰动信号分类(三)基于Transformer的一维信号分类模型-CSDN博客
Python电能质量扰动信号分类(四)基于CNN-BiLSTM的一维信号分类模型-CSDN博客
Python电能质量扰动信号分类(五)基于CNN-Transformer的一维信号分类模型-CSDN博客
基于FFT CNN -Transformer时域、频域特征融合的电能质量扰动识别模型-CSDN博客
Python电能质量扰动信号分类(六)基于扰动信号特征提取的超强机器学习识别模型
创新点利用交叉注意力机制融合模型 前言
本文基于Python仿真的电能质量扰动信号进行快速傅里叶变换FFT的介绍与数据预处理最后通过Python实现基于FFT的CNN-BiLSTM-CrossAttention模型对电能质量扰动信号的分类。Python仿真电能质量扰动信号的详细介绍可以参考下文文末附10分类数据集
xxxxxxxxxxxxxxxxxxxxx 部分扰动信号类型波形图如下所示 模型整体结构 模型整体结构如下所示一维扰动信号经过FFT变换的频域特征以及信号本身的时域特征分别经过CNN卷积池化操作提取全局特征然后再经过BiLSTM提取时序特征使用交叉注意力机制融合时域和频域的特征通过计算注意力权重使得模型更关注重要的特征再进行特征增强融合最后经过全连接层和softmax输出分类结果。 时域和频域特征提取 对时域信号应用FFT将信号转换到频域。 利用CNN对频域特征进行学习和提取。CNN的卷积层可以捕捉频域特征的局部模式。
BiLSTM网络 将时域信号输入BiLSTM网络。BiLSTM双向长短时记忆网络可以有效地捕捉时域信号的长期依赖关系。
交叉注意力机制 使用交叉注意力机制融合时域和频域的特征。这可以通过计算注意力权重使得模型更关注重要的特征 1 快速傅里叶变换FFT原理介绍
傅里叶变换是一种信号处理和频谱分析的工具用于将一个信号从时间域转换到频率域。而快速傅里叶变换FFT是一种高效实现傅里叶变换的算法特别适用于离散信号的处理。 第一步导入部分数据扰动信号可视化 第二步扰动信号经过FFT可视化 2 电能质量扰动数据的预处理
2.1 导入数据
在参考IEEE Std1159-2019电能质量检测标准与相关文献的基础上构建了扰动信号的模型生成包括正常信号在内的10中单一信号和多种复合扰动信号。参考之前的文章进行扰动信号10分类的预处理
第一步按照公式模型生成单一信号 单一扰动信号可视化 2.2 制作数据集
制作数据集与分类标签 3 交叉注意力机制 3.1 Cross attention概念 Transformer架构中混合两种不同嵌入序列的注意机制 两个序列必须具有相同的维度 两个序列可以是不同的模式形态如文本、声音、图像 一个序列作为输入的Q定义了输出的序列长度另一个序列提供输入的KV
3.2 Cross-attention算法 拥有两个序列S1、S2 计算S1的K、V 计算S2的Q 根据K和Q计算注意力矩阵 将V应用于注意力矩阵 输出的序列长度与S2一致 在融合过程中我们将经过FFT变换的频域特征作为查询序列时序特征作为键值对序列。通过计算查询序列与键值对序列之间的注意力权重我们可以对不同特征之间的关联程度进行建模。 4 基于FFTCNN-BiLSTM-CrossAttention扰动信号识别模型
4.1 网络定义模型 注意输入故障信号数据形状为 [64, 1024] batch_size64, 1024代表扰动信号序列长度。 4.2 设置参数训练模型 50个epoch准确率近100%用FFTCNN-BiLSTM-CrossAttention融合网络模型分类效果显著模型能够充分提取电能质量扰动信号的空间和时序特征和频域特征收敛速度快性能优越精度高交叉注意力机制能够对不同特征之间的关联程度进行建模从扰动信号频域、时域特征中属于提取出对模型识别重要的特征效果明显。 4.3 模型评估
准确率、精确率、召回率、F1 Score 故障十分类混淆矩阵 代码、数据如下:
