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

基于格拉姆矩阵GADF+Swin Transformer窗口注意力和CNN-GAM全局注意力的电能质量扰动信号识别模型!

电能质量扰动信号：

格拉姆矩阵GAF变换二维图像数据

马尔可夫转换场 MTF：

递归图 RP：

在基于格拉姆矩阵GAF、连续小波变换CWT、短时傅里叶变换STFT+Swin Transformer窗口注意力和CNN-GAM全局注意力的轴承故障诊断模型基础上!

再新添基于马尔可夫转换场 MTF 和递归图 RP 的时频图像处理（提供更改数据集接口，可一键替换信号数据和不同图像的变换处理，来进行与Swin-CNN-GAM模型的结合）

● 数据集：电能质量扰动信号

● 环境框架：python 3.9  pytorch 1.8 及其以上版本均可运行

● 准确率：测试集100%

● 使用对象：论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

模型创新点还未发表，有毕业设计或者发小论文需求的同学必看，模块丰富，创新度高，性能优越！

创新点：

（1）通过格拉姆矩阵GADF把一维时序扰动信号转化为二维图像；

（2）分支一：图像数据通过顶会模型 Swin Transformer 的窗口注意力机制提取信号图像局部特征；

（3）分支二：同时信号图数据像通过基于全局注意力机制 GAM-Attention 的 CNN2d 卷积池化网络；

（4）然后两个分支提取的全局空间特征和局部特征通过融合后进行自适应平均池化，使模型能够更好地融合不同层次的特征表示，提高模型性能和泛化能力。

（独家原创）

注意：此次产品，我们还有配套的模型讲解（方便学习网络结构）和参数调节讲解，进行详细的解释！

我们还提供关于一维时序信号的 格拉姆矩阵GAF、连续小波变换CWT、短时傅里叶变换STFT等相关时频图像的分类处理方法，提供更改数据集接口，可一键替换信号数据和不同图像的变换处理，来进行此创新模型的实验验证！

代码配有

（1）训练可视化：

混淆矩阵：

一维扰动信号数据

2.1 导入数据

格拉姆矩阵GAF变换二维图像数据

连续小波变换CWT时频图数据

 基于GADF+Swin-CNN-GAM的分类网络模型
 

设置参数，训练模型

50个epoch，准确率100%，用GADF+Swin-CNN-GAM网络分类效果显著，创新模型能够充分提取扰动信号的全局空间和局部特征，收敛速度快，性能优越，精度高，效果明显!

模型评估

准确率、精确率、召回率、F1 Score

代码、数据如下：

对数据集和代码感兴趣的，可以关注最后一行

# 加载数据
import torch
from joblib import dump, load
import torch.utils.data as Data
import numpy as np
import pandas as pd
import torch
import torch.nn as nn
# 参数与配置
torch.manual_seed(100)  # 设置随机种子，以使实验结果具有可重复性
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 
#代码和数据集：https://mbd.pub/o/bread/mbd-ZZ2amJxs