创新点：这篇文献的创新点在于马尔可夫场（MTF）与卷积神经网络（CNN）相结合，融入多头注意力机制，实现故障分类。本程序将原文中的马尔可夫场改进为递归图（RP），RP将一维信号转换为二维特征图，而CNN可以对这些特征图进行自适应的特征提取和分类，融合多头注意力机制有效把握提取特征的贡献程度，实现了故障的准确分类。
故障识别流程：https://mbd.pub/o/bread/ZZmVm5du
RP-CNN-Attention进行故障识别的方法具有几个创新性的方面：
输入数据格式：（一行一个样本，最后一列表示故障所属类别标签）
训练曲线：准确率和损失变化图
% 获取数据集的样本数量和每个样本的长度[numSamples, sampleLength] = size(data);% 循环处理每个样本数据for sampleIdx = 1:numSamples%% 生成数据% 从data中获取当前样本数据featureData = data(sampleIdx, 1:end - 1);% 归一化数据到 [0, 1] 范围normalizedData = (featureData - min(featureData)) / (max(featureData) - min(featureData));numDataPoints = length(normalizedData);%% 生成递归图RP% 转换为相空间，每个元素为当前位置和下一个位置的高度phaseSpace = [normalizedData(1:end - 1)', normalizedData(2:end)'];% 计算距离矩阵RR = zeros(numDataPoints - 1, numDataPoints - 1);for i = 1:numDataPoints - 1for j = 1:numDataPoints - 1R(i, j) = sum((phaseSpace(i, :) - phaseSpace(j, :)) .^ 2);endendR = (R - min(min(R))) / (max(max(R)) - min(min(R))) * 4;
欢迎感兴趣的小伙伴点击左下角“阅读原文”或上方链接获得完整版代码哦~，关注小编会继续推送更有质量的学习资料、文章程序代码~
