Transformer-LSTM分类 | Matlab实现Transformer-LSTM多特征分类猜测/故障诊
Transformer-LSTM分类 | Matlab实现Transformer-LSTM多特征分类猜测/故障诊断效果一览
https://i-blog.csdnimg.cn/direct/6067d97b39b946a3a29a61d8a5a0e2eb.png
https://i-blog.csdnimg.cn/direct/10a06bd7533f48e1887d0a8d24ee63b7.png
https://i-blog.csdnimg.cn/direct/696e36d661df414d8472f1568053e1b1.png
https://i-blog.csdnimg.cn/direct/1987f6a7590f41f0ba70352b0a643eef.png
https://i-blog.csdnimg.cn/direct/438b020d8cc94fe1b591f095374682e5.png
https://i-blog.csdnimg.cn/direct/03e36f42d5fc4ee287506074b8645b49.png
https://i-blog.csdnimg.cn/direct/da7cc0f0d0c54dccad9eff5141b93a94.png
https://i-blog.csdnimg.cn/direct/9984ee8d437c4104b0397e8925d1b9a9.png
https://i-blog.csdnimg.cn/direct/cb691bc2f7ce49188b46a2140efae73f.png
基本介绍
1.Matlab实现Transformer-LSTM多特征分类猜测/故障诊断，运行环境Matlab2023b及以上；
2.excel数据，方便更换，输入12个特征，分四类，可在下载区获取数据和步伐内容。
3.图许多，包罗分类效果图，混淆矩阵图。命令窗口输出分类准确率、灵敏度、特异性、曲线下面积、Kappa系数、F值。
4.附赠案例数据可直接运行main一键出图，注意步伐和数据放在一个文件夹，运行环境为Matlab2023b及以上。
5.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、解释明细。可在下载区获取数据和步伐内容。
https://i-blog.csdnimg.cn/direct/b4d42063dd254f459a222224bb51fcb2.png
步伐设计
[*]完备步伐和数据下载私信博主回复Matlab实现Transformer-LSTM多特征分类猜测/故障诊断。
%%清空环境变量
warning off % 关闭报警信息
close all % 关闭开启的图窗
clear % 清空变量
clc % 清空命令行
%%读取数据
res = xlsread('data.xlsx');
%%分析数据
num_class = length(unique(res(:, end)));% 类别数（Excel最后一列放类别）
num_dim = size(res, 2) - 1; % 特征维度
num_res = size(res, 1); % 样本数（每一行，是一个样本）
num_size = 0.7; % 训练集占数据集的比例
res = res(randperm(num_res), :); % 打乱数据集（不打乱数据时，注释该行）
flag_conusion = 1; % 标志位为1，打开混淆矩阵（要求2018版本及以上）
%%设置变量存储数据
P_train = []; P_test = [];
T_train = []; T_test = [];
%%划分数据集
for i = 1 : num_class
mid_res = res((res(:, end) == i), :); % 循环取出不同类别的样本
mid_size = size(mid_res, 1); % 得到不同类别样本个数
mid_tiran = round(num_size * mid_size); % 得到该类别的训练样本个数
end
%%数据转置
P_train = P_train'; P_test = P_test';
T_train = T_train'; T_test = T_test';
%%得到训练集和测试样本个数
M = size(P_train, 2);
N = size(P_test , 2);
%%数据归一化
= mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);
t_train = categorical(T_train)';
t_test= categorical(T_test )';
%%数据平铺
% 将数据平铺成1维数据只是一种处理方式
% 也可以平铺成2维数据，以及3维数据，需要修改对应模型结构
% 但是应该始终和输入层数据结构保持一致
P_train =double(reshape(P_train, num_dim, 1, 1, M));
P_test=double(reshape(P_test , num_dim, 1, 1, N));
%%数据格式转换
for i = 1 : M
p_train{i, 1} = P_train(:, :, 1, i);
end
for i = 1 : N
p_test{i, 1} = P_test( :, :, 1, i);
end
%%Transformer-lstm网络
%网络搭建
numChannels = num_dim;
maxPosition = 256;
numHeads = 4;
numKeyChannels = numHeads*32;
参考资料
https://blog.csdn.net/kjm13182345320/article/details/128163536?spm=1001.2014.3001.5502
https://blog.csdn.net/kjm13182345320/article/details/128151206?spm=1001.2014.3001.5502
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]