适用平台：Matlab2023b版及以上
参考文献一：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Transformer编码器方法用于。
Science Technology
Transformer模型是当前预测领域的热门模型，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，且这方面的文献极度稀缺，可以说一投就中。本程序结合上述3篇文献，并对其进行多重改进创新！！！提出基于1D-2D-RP-BiTransformer-GRU+双支路优化+多模态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三，利用递归图的相空间重构法将一维波形转化为二维图像；
图像特征提取方面参考文献一：搭建Transformer模型用于提取递归图的空间特征
故障识别模型结构参考文献二：构造并行优化模型，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，提取图像特征，实现时序、图像空间特征融合构成：1D-2D-RP-BiTransformer-GRU-并行双支路优化的多模态融合故障识别程序
文献一解读
文献二解读
文献三解读
1D-2D-BiTransformer-GRU并行双支路优化的多模态融合故障识别程序
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递归图像。 引入Transformer模型提取递归图像的空间特征，避免了故障信号处理时人工特征 提取的影响，在全局范围内对特征进行加权处理，增强模型的全局特征提取能力。 搭建双支路模型，将一维时序信号和二维图像融合，可以综合利用不同模态的信息，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。 ①一路为图像输入，经Transformer编码支路提取递归图像的空间特征；②另一路为故障波形直接输入经GRU提取时序特征，高维图像特征和一维时序特征融合；③融合内部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；④，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：
七重创新点：
7、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。
完整代码：https://mbd.pub/o/bread/ZpqWmp9t
关注小编会不定期推送高创新型、高质量的学习资料、文章程序代码，为你的科研加油助力!
