JCR一区 | Matlab实现GAF-PCNN、GASF-CNN、GADF-CNN的多特征输入数据分类预测/故障诊断

2024-06-19 00:04
文章标签 matlab 数据 实现 输入 分类 cnn 预测 特征 一区 故障诊断 jcr gasf pcnn gaf gadf

本文主要是介绍JCR一区 | Matlab实现GAF-PCNN、GASF-CNN、GADF-CNN的多特征输入数据分类预测/故障诊断，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

JJCR一区 | Matlab实现GAF-PCNN、GASF-CNN、GADF-CNN的多特征输入数据分类预测/故障诊断

目录

    • JJCR一区 | Matlab实现GAF-PCNN、GASF-CNN、GADF-CNN的多特征输入数据分类预测/故障诊断
      • 分类效果
        • 格拉姆矩阵图
        • GAF-PCNN
        • GASF-CNN
        • GADF-CNN
      • 基本介绍
      • 程序设计
      • 参考资料

分类效果

格拉姆矩阵图

在这里插入图片描述

GAF-PCNN

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

GASF-CNN

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

GADF-CNN

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

基本介绍

1.Matlab实现GAF-PCNN、GASF-CNN、GADF-CNN的多特征输入数据分类预测/故障诊断，三个模型对比，运行环境matlab2023b；

2.先运行格拉姆矩阵变换进行数据转换，然后运行分别GAF_PCNN.mGADF_CNN.m，GASF_CNN.m完成多特征输入数据分类预测/故障诊断；

GADF_CNN.m，是只用到了格拉姆矩阵的GADF矩阵，将GADF矩阵送入CNN进行故障诊断。

GASF_CNN.m，是只用到了格拉姆矩阵的GASF矩阵，将GASF矩阵送入CNN进行故障诊断。

GAF_PCNN.m，是将GASF 图与GADF 图同时送入两条并行CNN 中，经过卷积-池化后，两条CNN网络各输出一组一维向量；然后，将所输出两组一维向量进行拼接融合；通过全连接层后，最终将融合特征送入到Softmax 分类器中。

参考文献

在这里插入图片描述
在这里插入图片描述

  • PCNN结构
    在这里插入图片描述
  • CNN结构
    在这里插入图片描述

程序设计

  • 完整程序和数据获取方式私信博主回复Matlab实现GAF-PCNN、GASF-CNN、GADF-CNN的多特征输入数据分类预测/故障诊断。
fullyConnectedLayer(classnum,'Name','fc12')softmaxLayer('Name','softmax')classificationLayer('Name','classOutput')];lgraph = layerGraph(layers1);layers2 = [imageInputLayer([size(input2,1) size(input2,2)],'Name','vinput')  flattenLayer(Name='flatten2')bilstmLayer(15,'Outputmode','last','name','bilstm') dropoutLayer(0.1)        % Dropout层，以概率为0.2丢弃输入reluLayer('Name','relu_2')selfAttentionLayer(2,2,"Name","mutilhead-attention")   %Attention机制fullyConnectedLayer(10,'Name','fc21')];
lgraph = addLayers(lgraph,layers2);
lgraph = connectLayers(lgraph,'fc21','add/in2');plot(lgraph)%% Set the hyper parameters for unet training
options = trainingOptions('adam', ...                 % 优化算法Adam'MaxEpochs', 1000, ...                            % 最大训练次数'GradientThreshold', 1, ...                       % 梯度阈值'InitialLearnRate', 0.001, ...         % 初始学习率'LearnRateSchedule', 'piecewise', ...             % 学习率调整'LearnRateDropPeriod',700, ...                   % 训练100次后开始调整学习率'LearnRateDropFactor',0.01, ...                    % 学习率调整因子'L2Regularization', 0.001, ...         % 正则化参数'ExecutionEnvironment', 'cpu',...                 % 训练环境'Verbose', 1, ...                                 % 关闭优化过程'Plots', 'none');                    % 画出曲线
%Code introduction
if nargin<2error('You have to supply all required input paremeters, which are ActualLabel, PredictedLabel')
end
if nargin < 3isPlot = true;
end%plotting the widest polygon
A1=1;
A2=1;
A3=1;
A4=1;
A5=1;
A6=1;a=[-A1 -A2/2 A3/2 A4 A5/2 -A6/2 -A1];
b=[0 -(A2*sqrt(3))/2 -(A3*sqrt(3))/2 0 (A5*sqrt(3))/2 (A6*sqrt(3))/2 0];if isPlotfigure   plot(a, b, '--bo','LineWidth',1.3)axis([-1.5 1.5 -1.5 1.5]);set(gca,'FontName','Times New Roman','FontSize',12);hold on%grid
end% Calculating the True positive (TP), False Negative (FN), False Positive...
% (FP),True Negative (TN), Classification Accuracy (CA), Sensitivity (SE), Specificity (SP),...
% Kappa (K) and F  measure (F_M) metrics
PositiveClass=max(ActualLabel);
NegativeClass=min(ActualLabel);
cp=classperf(ActualLabel,PredictedLabel,'Positive',PositiveClass,'Negative',NegativeClass);CM=cp.DiagnosticTable;TP=CM(1,1);FN=CM(2,1);FP=CM(1,2);TN=CM(2,2);CA=cp.CorrectRate;SE=cp.Sensitivity; %TP/(TP+FN)SP=cp.Specificity; %TN/(TN+FP)Pr=TP/(TP+FP);Re=TP/(TP+FN);F_M=2*Pr*Re/(Pr+Re);FPR=FP/(TN+FP);TPR=TP/(TP+FN);K=TP/(TP+FP+FN);[X1,Y1,T1,AUC] = perfcurve(ActualLabel,PredictedLabel,PositiveClass); %ActualLabel(1) means that the first class is assigned as positive class%plotting the calculated CA, SE, SP, AUC, K and F_M on polygon
x=[-CA -SE/2 SP/2 AUC K/2 -F_M/2 -CA];
y=[0 -(SE*sqrt(3))/2 -(SP*sqrt(3))/2 0 (K*sqrt(3))/2 (F_M*sqrt(3))/2 0];if isPlotplot(x, y, '-ko','LineWidth',1)set(gca,'FontName','Times New Roman','FontSize',12);
%     shadowFill(x,y,pi/4,80)fill(x, y,[0.8706 0.9216 0.9804])
end%calculating the PAM value
% Get the number of vertices
n = length(x);
% Initialize the area
p_area = 0;
% Apply the formula
for i = 1 : n-1p_area = p_area + (x(i) + x(i+1)) * (y(i) - y(i+1));
end
p_area = abs(p_area)/2;%Normalization of the polygon area to one.
PA=p_area/2.59807;if isPlot%Plotting the Polygonplot(0,0,'r+')plot([0 -A1],[0 0] ,'--ko')text(-A1-0.3, 0,'CA','FontWeight','bold','FontName','Times New Roman')plot([0 -A2/2],[0 -(A2*sqrt(3))/2] ,'--ko')text(-0.59,-1.05,'SE','FontWeight','bold','FontName','Times New Roman')plot([0 A3/2],[0 -(A3*sqrt(3))/2] ,'--ko')text(0.5, -1.05,'SP','FontWeight','bold','FontName','Times New Roman')plot([0 A4],[0 0] ,'--ko')text(A4+0.08, 0,'AUC','FontWeight','bold','FontName','Times New Roman')plot([0 A5/2],[0 (A5*sqrt(3))/2] ,'--ko')text(0.5, 1.05,'J','FontWeight','bold','FontName','Times New Roman')daspect([1 1 1])
end
Metrics.PA=PA;
Metrics.CA=CA;
Metrics.SE=SE;
Metrics.SP=SP;
Metrics.AUC=AUC;
Metrics.K=K;
Metrics.F_M=F_M;printVar(:,1)=categories;
printVar(:,2)={PA, CA, SE, SP, AUC, K, F_M};
disp('预测结果打印:')
for i=1:length(categories)fprintf('%23s: %.2f \n', printVar{i,1}, printVar{i,2})
end

参考资料

[1] https://blog.csdn.net/kjm13182345320/category_11799242.html?spm=1001.2014.3001.5482
[2] https://blog.csdn.net/kjm13182345320/article/details/124571691

这篇关于JCR一区 | Matlab实现GAF-PCNN、GASF-CNN、GADF-CNN的多特征输入数据分类预测/故障诊断的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1073437。

相关文章

Python实现精准提取 PDF中的文本,表格与图片

Python实现精准提取 PDF中的文本,表格与图片

《Python实现精准提取PDF中的文本,表格与图片》在实际的系统开发中,处理PDF文件不仅限于读取整页文本,还有提取文档中的表格数据,图片或特定区域的内容,下面我们来看看如何使用Python实... 目录安装 python 库提取 PDF 文本内容：获取整页文本与指定区域内容获取页面上的所有文本内容获取
阅读更多...
基于Python实现一个Windows Tree命令工具

基于Python实现一个Windows Tree命令工具

《基于Python实现一个WindowsTree命令工具》今天想要在Windows平台的CMD命令终端窗口中使用像Linux下的tree命令,打印一下目录结构层级树,然而还真有tree命令,但是发现... 目录引言实现代码使用说明可用选项示例用法功能特点添加到环境变量方法一：创建批处理文件并添加到PATH1
阅读更多...
Java使用HttpClient实现图片下载与本地保存功能

Java使用HttpClient实现图片下载与本地保存功能

《Java使用HttpClient实现图片下载与本地保存功能》在当今数字化时代,网络资源的获取与处理已成为软件开发中的常见需求,其中,图片作为网络上最常见的资源之一,其下载与保存功能在许多应用场景中都... 目录引言一、Apache HttpClient简介二、技术栈与环境准备三、实现图片下载与保存功能1.
阅读更多...
canal实现mysql数据同步的详细过程

canal实现mysql数据同步的详细过程

《canal实现mysql数据同步的详细过程》：本文主要介绍canal实现mysql数据同步的详细过程,本文通过实例图文相结合给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的... 目录1、canal下载2、mysql同步用户创建和授权3、canal admin安装和启动4、canal
阅读更多...
Nexus安装和启动的实现教程

Nexus安装和启动的实现教程

《Nexus安装和启动的实现教程》：本文主要介绍Nexus安装和启动的实现教程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、Nexus下载二、Nexus安装和启动三、关闭Nexus总结一、Nexus下载官方下载链接：DownloadWindows系统根
阅读更多...
SpringBoot集成LiteFlow实现轻量级工作流引擎的详细过程

SpringBoot集成LiteFlow实现轻量级工作流引擎的详细过程

《SpringBoot集成LiteFlow实现轻量级工作流引擎的详细过程》LiteFlow是一款专注于逻辑驱动流程编排的轻量级框架,它以组件化方式快速构建和执行业务流程,有效解耦复杂业务逻辑,下面给大... 目录一、基础概念1.1 组件（Component）1.2 规则（Rule）1.3 上下文（Conte
阅读更多...
MySQL 横向衍生表(Lateral Derived Tables)的实现

MySQL 横向衍生表(Lateral Derived Tables)的实现

《MySQL横向衍生表(LateralDerivedTables)的实现》横向衍生表适用于在需要通过子查询获取中间结果集的场景,相对于普通衍生表,横向衍生表可以引用在其之前出现过的表名,本文就来... 目录一、横向衍生表用法示例1.1 用法示例1.2 使用建议前面我们介绍过mysql中的衍生表（From子句
阅读更多...
Mybatis的分页实现方式

Mybatis的分页实现方式

《Mybatis的分页实现方式》MyBatis的分页实现方式主要有以下几种,每种方式适用于不同的场景,且在性能、灵活性和代码侵入性上有所差异,对Mybatis的分页实现方式感兴趣的朋友一起看看吧... 目录​1. 原生 SQL 分页（物理分页）​​2. RowBounds 分页（逻辑分页）​​3. Page
阅读更多...
Python基于微信OCR引擎实现高效图片文字识别

Python基于微信OCR引擎实现高效图片文字识别

《Python基于微信OCR引擎实现高效图片文字识别》这篇文章主要为大家详细介绍了一款基于微信OCR引擎的图片文字识别桌面应用开发全过程,可以实现从图片拖拽识别到文字提取,感兴趣的小伙伴可以跟随小编一... 目录一、项目概述1.1 开发背景1.2 技术选型1.3 核心优势二、功能详解2.1 核心功能模块2.
阅读更多...
MYSQL查询结果实现发送给客户端

MYSQL查询结果实现发送给客户端

《MYSQL查询结果实现发送给客户端》：本文主要介绍MYSQL查询结果实现发送给客户端方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录mysql取数据和发数据的流程（边读边发）Sending to clientSending DataLRU(Least Rec
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2