适用平台：Matlab2023b版及以上
参考文献一：中文EI期刊《西安交通大学学报》文献：《采用格拉姆角场-卷积神经网络-时序卷积网络混合模型的锂离子电池健康状态估计》中的①时序+图像融合模型；②一维时序转格拉姆角场模型。 参考文献二：中文顶级EI期刊《电工技术学报》网络首发文献：《基于多通道信号二维递归融合和ECAConvNeXt的永磁同步电机高阻接触故障诊断》中的③一维时序转化递归图RP方法。 参考文献三：中文顶级EI期刊《电网技术》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》中的④异构图像特征互补方法。 参考文献四：中文顶级EI期刊《中国电机工程学报》文献：《基于自注意力Transformer编码器的多阶段电力系统暂态稳定评估方法》中的⑤Transformer编码器方法。
Science Technology
Transformer模型是当前预测领域的热门模型，双支路并行模型是极易发文的新结构，但在故障识别即分类领域尚缺乏相关文献，更别说其改进模型了，时序图像多模态融合+Transformer+并行异构模型的必定是创新性极高的发文方向，这方面的文献极度稀缺，进一步，时序+多种图像+Transformer+并行异构模型更是没人提出来过，且可以说一投就中。本程序结合上述4篇文献，并对其进行多重改进创新！！！提出基于1D-2D-GASF-RP-BiTransformer-GRU+多支路优化+异构图像融合的故障识别程序，改进点超多！创新点十足！足够支撑一篇高水平学术论文。
数据预处理方面参考文献一、二，分别将一维波形转化为二维格拉姆角场GASF和递归图RP二维图像；
图像特征提取方面参考文献四：搭建Transformer模型用于提取递归图和拉姆角场的空间特征
时序+图像；2种不同图像混合参考文献一、三：多模态异构图混合特征提取，支路1采用时间序列波形输入,GRU神经网络提取时间序列的时序特征，支路2采用Transformer编码器，提取GASF图像特征，支路3采用Transformer编码器，提取RP图像特征，实现时序、图像空间、异构图像特征融合构成：1D-2D-GASF-RP-Transformer-GRU多模态异构图混合特征提取的故障识别模型程序
创新点十足，足够支撑一篇高水平学术论文，硕士毕业论文、课程设计等简单任务更是绰绰有余。
文献一解读
提出一种特征融合网络，将序列转化为格拉姆角场二维图像，利用CNN二维从二维图像中提取的图片特征，利用一维卷积神经网络从一维波形序列中提取的时序特征，时序特征与图像特征融合，实现了锂离子电池健康状态的准确估计
文献二解读
引入一维序列转二维递归图的方法，将一维电流信号映射为二维图像，以提高故障特征信息的丰富性并消除人工特征提取的影响，实现故障特征的增强显示，后续采用卷积神经网络，增加注意力机制和构造残差连接，实现故障的有效分类。
文献三解读
文献四解读
本文模型
首先，首次将Transformer应用于故障识别领域，用于提取图像的全局特征，具有显著创新性。
其次，支路1通过GRU网络提取一维时序波形特征，充分捕捉时序数据中的动态变化信息，提升了特征提取的效果。
支路2将一维时序波形转换为二维GASF图像，实现了全局趋势的捕捉，提供了丰富的角度信息。
支路3将一维时序波形转换为二维递归图（RP）图像，揭示出时间序列中的非线性动力学特征，增强了故障识别的准确性。
在输出层前引入BiLSTM，通过捕捉双向时序依赖关系，进一步提升了模型的故障识别能力
9、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1D-2D-BiTransformer-GRU多模态融合提取特征后的样本分布情况。
程序结果：
完整代码：https://mbd.pub/o/bread/ZpqYlJ1y
