广告手机网站制作,阿里云域名 设置网站,网站如何做成app,电子商务网站建设与全程实例本期可谓是宝藏篇#xff01;学会本期的思想#xff0c;帮助你分分钟找到创新点#xff0c;且不与别人重复#xff01;
本期采用MATLAB代码#xff0c;实现一种“基于格拉姆角场与并行CNN的故障诊断方法”。该方法的具体实现可以参考文献#xff1a;
[1]李宗源,陈谦,钱…本期可谓是宝藏篇学会本期的思想帮助你分分钟找到创新点且不与别人重复
本期采用MATLAB代码实现一种“基于格拉姆角场与并行CNN的故障诊断方法”。该方法的具体实现可以参考文献
[1]李宗源,陈谦,钱倍奇等.基于格拉姆角场与并行CNN的并网逆变器开关管健康诊断[J/OL].电力自动化设备,1-11[2024-02-20].https://doi.org/10.16081/j.epae.202312032.
本期文章除了复现上述原文方法还在此文献的基础上改进文中的并行CNN方法实现了
并行CNN-BiLSTM故障诊断并行CNN-Attention故障诊断和1D-2D-CNN-BiLSTM故障诊断。
当你学会这几种方法之后就可以通过替换BiLSTM为其他网络如GRUBiGRULSTMRNNPNNKNNDBNSVMLSSVMELM等等机器学习方法还可以替换CNN为TCNRFKNNRCNN等等
各种方法组合一下创新点不就来了想做的再复杂点的还可以再融合一下智能优化算法对网络参数进行优化一下。可谓是真的可以玩出花儿呀 说到这里请问何为并行呢
其实很简单就是同时将数据送入两个或多个网络支路在不同的网络进行特征提取学习后再将生成的向量进行拼接。最后一起送到分类器或预测器中。
举例1并行CNN 这是采用MATLAB搭建的并行CNN网络也就是上述文献提到的方法。
可以看到该网络一共有两个支路支路1输入格拉姆矩阵变换的GASF矩阵支路2输入格拉姆矩阵变换的GADF矩阵。除了输入不同之外这两个支路结构是完全相同的但是该网络可以做到同时输入两种不同的特征最后再将特征进行融合一起送入softmax分类器中学习。
举例2并行CNN-BiLSTM 与例1不同的是这个网络在支路汇合后送入了BiLSTM再次进行学习。那么请问两条支路可以不一致吗比如在第一条支路加一个LSTM或者Attention可以吗回答当然也是可以的这里就不再对此举例了。
举例3并行CNN-Attention 该网络在支路汇合后加入了Attention机制再次提升精准率。 那么请问何为1D-2D呢
其实也很简单就是把原始的一维序列数据转换为二维矩阵这里可以采用格拉姆矩阵法再与一维数据进行合并。一起送入不同的网络支路进行学习再将生成的向量进行拼接最后一起送到分类器或预测器中。
举例41D_2D_CNN_BiLSTM 这里将采用格拉姆矩阵法生成的二维矩阵送入input1中采用CNN进行空间特征提取然后再将原始的一维数据送入vinput中采用Bilstm进行时间特征的学习最后再将生成的向量进行拼接最后一起送到分类器或预测器中。
代码目录如下 每个子文件目录下还有关于程序使用的详细介绍及对应的参考文献 代码运行结果展示如下,采用经典的鸢尾花数据
格拉姆矩阵图像 并行CNN分类结果 并行CNN-BiLSTM分类结果 并行CNN-Attention分类结果 1D-2D-CNN-BiLSTM分类结果 代码获取
下方卡片获取
