淘宝网站运营的工作怎么做,挣钱最快的app,模板网站怎么建设优化,泰安网络软件公司适用平台#xff1a;Matlab2023版本及以上
本原创程序提出的ZOA-PCNN-AT-SVM故障识别模型还没有人写#xff01;在此基础上进一步对参考模型进行多重改进#xff0c;程序注释清晰#xff0c;干货满满#xff0c;下面对文章和程序做简要介绍#xff01;
①识别模型部分参…适用平台Matlab2023版本及以上
本原创程序提出的ZOA-PCNN-AT-SVM故障识别模型还没有人写在此基础上进一步对参考模型进行多重改进程序注释清晰干货满满下面对文章和程序做简要介绍
①识别模型部分参考中文EI期刊《电力自动化设备》12月29号网络首发文献《基于格拉姆角场与并行CNN的并网逆变器开关管健康诊断》②优化模型部分参考知名SCI、EI期刊《IEEE Access》2022年10月发表的论文《Zebra Optimization Algorithm》
该算法提出时间很短目前还没有套用这个算法的文献
识别模型原文献解读这篇文献中首先采集一维故障电压与电流信号的时序序列其次利用格拉姆角场对其进行变换将两种一维时序信号转化为格拉姆角场最后将生成的两组图像同时送入CNN进行并行学习训练实现逆变器故障诊断。 斑马优化ZOA简介ZOA斑马优化的基本灵感来自斑马在自然界中的行为。ZOA模拟了斑马的觅食行为及其对捕食者攻击的防御策略对 ZOA 步骤进行描述然后进行数学建模。ZOA 在优化方面的性能根据 68 个基准函数进行评估包括单峰、高维多模态、固定维多模态。将ZOA获得的结果与九种知名算法GWO、TLBO、GA、MPA、PSO、QANA、TSA、WOA和GSA的性能进行了比较仿真结果表明ZOA能够通过在探索和开发之间建立适当的平衡来解决优化问题并且与9种竞争算法相比具有更优越的性能。并在四个实际工程问题上对ZOA进行了测试。 模型改进我们提出的模型在上述文献模型基础上作出多重改进提出的ZOA-PCNN-AT-SVM故障识别模型采用双支路结构仅需原始故障波形数据即可根据波形数据将一维序列转化为二维格拉姆求和场图像。将图像同时输入PCNN-AT-SVM模型用ZOA对模型中的超参数进行寻优提供两条支路提取的特征图提供原始样本和特征样本之间的分布情况提高模型可解释性并计算精确度、召回率、精确率、F1分数等评价指标。故障识别流程如下https://mbd.pub/o/bread/ZZmZmp5q 七重创新点
1、时序图像化将一维时序信号转化为二维图像从而更全面地描述数据的特征。这有助于提取更丰富、更有区别性的特征从而提高分类和识别的准确性。
2、空间特征学习CNN卷积神经网络在图像处理中表现出色能够有效地学习图像的空间特征和局部模式。将CNN用于图像数据的处理可以帮助提取图像的纹理、形状和边缘等特征有助于更准确地进行分类和故障识别。
3、双支路结构利用两个分支CNN学习不同的图像权重值双支路高维特征互补使得深层空间特征得到显著增强。
4、多头自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。
5、可解释性为提升模型的可解释性应用t-SNE可解释性算法对各个支路模块的特征图进行可视化对比原始样本和ZOA-PCNN-AT-SVM提取特征后的样本分布情况。
6、改进输出结构将原始的Softmax层改进为SVMSoftmax作为概率方法会受到异常值的影响而SVM采用样本分布的边缘来分类一定距离内的故障样本对异常值具有更强的鲁棒性。
7、超参数优化斑马优化算法ZOA对模型中的难以确定的学习率、支路1卷积核大小、支路2卷积核大小等参数进行寻优使得模型的结构更加合理提高了故障识别精度。
适用领域适用于各种数据分类场景如滚动轴承故障、变压器油气故障、电力系统输电线路故障区域、绝缘子、配网、电能质量扰动等领域的识别、诊断和分类。
以下手把手带大家分析程序的结果
数据格式一行一个样本最后一列为样本所属的故障类型标签直接替换数据就可以使用Excel表格直接导入不需要对程序大幅修改。程序内有详细注释便于理解程序运行。 程序结果由上述一维序列自动转化为格拉姆图像 模型结构 PCNN 双支路实现特征可视化证明2条支路的特征不同有互补性 与原始样本相比ZOA-PCNN-SVM 能够实现相同样本聚合实现同类别故障样本的聚合不同类间的区分同类间的聚合 模型训练曲线 训练曲线和 斑马优化ZOA适应度曲线 部分图片来源于网络侵权联系删除
部分代码
适用平台Matlab2023版本及以上
本原创程序提出的ZOA-PCNN-AT-SVM故障识别模型还没有人写在此基础上进一步对参考模型进行多重改进程序注释清晰干货满满下面对文章和程序做简要介绍
①识别模型部分参考中文EI期刊《电力自动化设备》12月29号网络首发文献《基于格拉姆角场与并行CNN的并网逆变器开关管健康诊断》②优化模型部分参考知名SCI、EI期刊《IEEE Access》2022年10月发表的论文《Zebra Optimization Algorithm》
该算法提出时间很短目前还没有套用这个算法的文献
识别模型原文献解读这篇文献中首先采集一维故障电压与电流信号的时序序列其次利用格拉姆角场对其进行变换将两种一维时序信号转化为格拉姆角场最后将生成的两组图像同时送入CNN进行并行学习训练实现逆变器故障诊断。 斑马优化ZOA简介ZOA斑马优化的基本灵感来自斑马在自然界中的行为。ZOA模拟了斑马的觅食行为及其对捕食者攻击的防御策略对 ZOA 步骤进行描述然后进行数学建模。ZOA 在优化方面的性能根据 68 个基准函数进行评估包括单峰、高维多模态、固定维多模态。将ZOA获得的结果与九种知名算法GWO、TLBO、GA、MPA、PSO、QANA、TSA、WOA和GSA的性能进行了比较仿真结果表明ZOA能够通过在探索和开发之间建立适当的平衡来解决优化问题并且与9种竞争算法相比具有更优越的性能。并在四个实际工程问题上对ZOA进行了测试。 模型改进我们提出的模型在上述文献模型基础上作出多重改进提出的ZOA-PCNN-AT-SVM故障识别模型采用双支路结构仅需原始故障波形数据即可根据波形数据将一维序列转化为二维格拉姆求和场图像。将图像同时输入PCNN-AT-SVM模型用ZOA对模型中的超参数进行寻优提供两条支路提取的特征图提供原始样本和特征样本之间的分布情况提高模型可解释性并计算精确度、召回率、精确率、F1分数等评价指标。故障识别流程如下https://mbd.pub/o/bread/ZZmZmp5q 七重创新点
1、时序图像化将一维时序信号转化为二维图像从而更全面地描述数据的特征。这有助于提取更丰富、更有区别性的特征从而提高分类和识别的准确性。
2、空间特征学习CNN卷积神经网络在图像处理中表现出色能够有效地学习图像的空间特征和局部模式。将CNN用于图像数据的处理可以帮助提取图像的纹理、形状和边缘等特征有助于更准确地进行分类和故障识别。
3、双支路结构利用两个分支CNN学习不同的图像权重值双支路高维特征互补使得深层空间特征得到显著增强。
4、多头自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。
5、可解释性为提升模型的可解释性应用t-SNE可解释性算法对各个支路模块的特征图进行可视化对比原始样本和ZOA-PCNN-AT-SVM提取特征后的样本分布情况。
6、改进输出结构将原始的Softmax层改进为SVMSoftmax作为概率方法会受到异常值的影响而SVM采用样本分布的边缘来分类一定距离内的故障样本对异常值具有更强的鲁棒性。
7、超参数优化斑马优化算法ZOA对模型中的难以确定的学习率、支路1卷积核大小、支路2卷积核大小等参数进行寻优使得模型的结构更加合理提高了故障识别精度。
适用领域适用于各种数据分类场景如滚动轴承故障、变压器油气故障、电力系统输电线路故障区域、绝缘子、配网、电能质量扰动等领域的识别、诊断和分类。
以下手把手带大家分析程序的结果
数据格式一行一个样本最后一列为样本所属的故障类型标签直接替换数据就可以使用Excel表格直接导入不需要对程序大幅修改。程序内有详细注释便于理解程序运行。 程序结果由上述一维序列自动转化为格拉姆图像 模型结构 PCNN 双支路实现特征可视化证明2条支路的特征不同有互补性 与原始样本相比ZOA-PCNN-SVM 能够实现相同样本聚合实现同类别故障样本的聚合不同类间的区分同类间的聚合 模型训练曲线 训练曲线和 斑马优化ZOA适应度曲线 部分代码
%% %%%%%%%%%%%%%%%%%%% ZOA-PCNN-SVM算法 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%来自公众号《创新优化及预测代码》%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
完整代码https://mbd.pub/o/bread/ZZmZmp5q
%% 定义ZOA参数
Fun_nameobjectiveFunction1; %% 目标函数
SearchAgents 2; %% 斑马数量种群规模
Max_iterations 10; %% 最大迭代次数%% 目标函数
fitness objectiveFunction; %% 获取目标函数信息
lowerbound [0.001, 1, 2]; %% 寻优参数下限 [学习率, 支路1卷积核大小, 支路2卷积核大小];
upperbound [0.01, 5, 6]; %% 寻优参数上限 [学习率, 支路1卷积核大小, 支路2卷积核大小];
dimension 3; %% 有几个需要优化的参数就是几维%% ZOA-PCNN-SVM优化参数优化学习率、支路1卷积核、支路2卷积核
[Best_score,Best_pos,ZOA_curve,bestPred,Best_PCNN_AT_SVM, Best_info]zoa( ...
SearchAgents,Max_iterations,lowerbound,upperbound,dimension,fitness); % 使用斑马优化算法计算目标函数%% 保存优化数据
% 使用save函数保存变量
save(fullfile(save_path, bestPred.mat), bestPred); %% 最佳预测结果
save(fullfile(save_path, Best_PCNN_SVM.mat), Best_PCNN_AT_SVM); %% 最佳网络
save(fullfile(save_path, Best_info.mat), Best_info); %% 最佳网络下的迭代曲线
save(fullfile(save_path, ZOA_curve.mat), ZOA_curve); %% 适应度曲线%% 优化结果可视化
disp([斑马优化后的神经网络识别误差, num2str((1-Best_score).*100), %]);
figure
plot(ZOA_curve,LineWidth2,Color[0 0 1]);
title(斑马优化ZOA-PCNN-AT-SVM适应度曲线)
xlabel(优化迭代次数);
ylabel(适应度);% ZOA优化后-PCNN网络的结构参数信息
analyzeNetwork(Best_PCNN_AT_SVM) ;%% 查看网络结构
figure
plot(Best_PCNN_AT_SVM)
title(斑马优化后的ZOA-PCNN-AT-SVM模型) % SVM属于机器学习部分故无法绘制实际上是ZOA-PCNN-AT-SVM模型 SVM取代原模型中的softmax层%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%来自公众号《创新优化及预测代码》%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 过程步骤一 PCNN 双支路实现特征可视化证明2条支路的特征不同有互补性%% %%%%%%%%%%%%%%%%%%% 分别绘制双支路的特征图 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%来自公众号《创新优化及预测代码》%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%% 激活支路1末端的maxpool1层
layer1 maxpool1;
LayersNeed activations(Best_PCNN_AT_SVM,imdsTest,layer1,OutputAs,channels);% 支路1
%% 支路1所提取特征
% 前4个池化核
figure;
for i 1:4 % 前4个特征图 i的不能超过池化核的个数LayersFeature LayersNeed(:,:,i,2);% 随机针对第2个样本的特征提取过程subplot(2, 2, i); % 创建池化层1的第i个子图image(LayersFeature, CDataMapping, scaled);colormap(hsv);xlim([1, size(LayersFeature, 2)]); % 限制坐标轴ylim([1, size(LayersFeature, 1)]); % 限制坐标轴axis off; % 关闭坐标轴显示box on;title([特征图, num2str(i)]); % 添加特征图标题
end
部分图片来源于网络侵权联系删除
