适用平台：Matlab2023版本及以上
本程序参考中文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》，程序注释清晰，干货满满，下面对文章和程序做简要介绍！
文献创新点：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。
故障识别流程：
原理：马尔可夫转换场(Markov transition field， MTF)是一种将时序数据转化为空间图像数据的方法，该方法扩展了马尔可夫状态转移矩阵，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。以电压正弦信号为例，MTF示意图如下图所示。
MTF-CNN-Attention进行故障识别的方法具有几个创新性的方面：
数据表示的创新：通常，一维序列（如时间序列数据）直接用于建模和分析。将这些序列转化为马尔可夫场图像，实际上是一种新的数据表示方法。这种转换可能揭示出序列数据中的新模式和结构特征，这些在原始一维形式中可能不那么明显或难以检测。比传统的时序分析方法更有效地捕捉复杂的模式和异常。
图像处理技术：通过将序列数据转化为图像，可以利用成熟的图像处理技术和图像识别算法来分析数据。这包括使用各种图像识别方法，如卷积神经网络（CNN），这些方法在图像分析领域已被证明非常有效，但在传统的序列数据分析中不常见。
捕捉时间依赖性：马尔可夫场是一种数学模型，用于表示随机变量之间的依赖关系。在将序列数据转化为马尔可夫场图像时，可以以图像的形式捕捉时间序列中的时间依赖性和动态变化，这为理解和识别时间序列中的故障模式提供了新的视角。
多头注意力机制：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。
程序套用：马尔可夫转换场（MTF）将一维时序生成二维图像，再用CNN提取图像的高维特征，利用多头自注意力机制（Multihead Self-Attention）将特征进行重点强化，提高故障识别的准确率。完整代码：🍞正在为您运送作品详情
输入数据格式：（一行一个样本，最后一列表示故障所属类别标签）
由上述数据生成MTF图像：
识别结果：（训练集和测试集的混淆矩阵）
训练集和测试集的散点图：
训练曲线：准确率和损失变化图
马尔可夫场部分程序：
% 加载数据
data = xlsread('特征数据带标签.xlsx');
% 获取数据集的样本数量和每个样本的长度
[numSamples, sampleLength] = size(data);
% 循环处理每个样本数据
for sampleIdx = 1:numSamples
%% 生成数据
% 从data中获取当前样本数据
featureData = data(sampleIdx, 1:end - 1);
X = featureData;
m = length(X);
% 将数据归一化到[0, 1]
X_normalized = (X - min(X)) / (max(X) - min(X));
%% 构造转移矩阵W
numDataPoints = length(X);
% 分成Q个分位箱（按照个数），从小往大：1、2、3、4
Q = 4;
% 将每个元素映射到分位箱1、2、3、4，
X_Q = ones(1, numDataPoints);
threshold = 0;
% 初始化阈值
thresholds = ones(1, Q + 1);
for i = 2 : Q + 1
% 循环计算小于当前阈值的数据个数，达到阈值时跳出循环
while sum(X_normalized < threshold) < numDataPoints * (i - 1) / Q
threshold = threshold + 0.0001;
end
% 记录每一个分位箱的阈值
thresholds(i) = threshold;
% 将原始数据向量变成对应的分位箱次序向量
X_Q(find(X_normalized < thresholds(i) & X_normalized > thresholds(i - 1))) = i - 1;
end
%% 计算马尔可夫矩阵
% 初始化各状态转移计数
sum_11 = 0; sum_12 = 0; sum_13 = 0; sum_14 = 0;
sum_21 = 0; sum_22 = 0; sum_23 = 0; sum_24 = 0;
sum_31 = 0; sum_32 = 0; sum_33 = 0; sum_34 = 0;
sum_41 = 0; sum_42 = 0; sum_43 = 0; sum_44 = 0;部分图片来源于网络，侵权联系删除！
欢迎感兴趣的小伙伴关注下方公众号或代码前的链接获得完整版代码，小编会继续推送更有质量的学习资料、文章和程序代码！
