本程序参考中文EI期刊《基基于格拉姆角差场和卷积神经网络的宽频振荡分类方法》，程序注释清晰，干货满满，下面对文章和程序做简要介绍！
原理：格拉姆角场（GAF）是一种将一维序列转化为图像的方法,分为格拉姆求和（GASF）场和格拉姆差场（GADF）。它对笛卡尔坐标系下的时间序列进行极坐标编码，再通过三角运算生成格拉姆矩阵，从而将一维时间序列转化为二维图像。GAF采用三角函数和差的运算，将一维信号转换为角度（θ）和半径（r），生成二维特征图。转换后的图像可以保留数据的时间依赖性和潜在联系特征，同时具有较大的稀疏性，剔除了多模态间的冗余信息，以正弦信号为例，转化流程：
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
% 清除工作区和命令行窗口clcclear all%% 创建图像数据存储对象，包括图像子文件夹，并以文件夹名称为标签images = imageDatastore('数据集227×227', ...'IncludeSubfolders', true, 'LabelSource', 'foldernames');%% 拆分为训练集和测试集，拆分比例为 70% 的训练集和 30% 的测试集% 打乱数据顺序images = shuffle(images);% 拆分比例为 70% 的训练集和 30% 的测试集[] = splitEachLabel(images, 0.7, 'randomized');%% 构建卷积神经网络层layers = [imageInputLayer([227 227 3], "Name", "imageinput") % 输入层，定义输入图像的尺寸为 227x227 像素，3个通道（RGB）convolution2dLayer([4 4], 8, "Name", "conv_1", "Padding", "same") % 第一个卷积层，使用4x4的卷积核进行卷积操作，共8个卷积核batchNormalizationLayer("Name", "batchnorm_1") % 批标准化层，对卷积层的输出进行标准化，提高训练稳定性reluLayer("Name", "relu_1") % ReLU激活层，增加网络的非线性能力maxPooling2dLayer([3 3], "Name", "maxpool_1") % 最大池化层，进行3x3的最大池化操作，减小特征图的尺寸convolution2dLayer([4 4], 16, "Name", "conv_2", "Padding", "same") % 第二个卷积层，使用4x4的卷积核进行卷积操作，共16个卷积核batchNormalizationLayer("Name", "batchnorm_2") % 批标准化层，对卷积层的输出进行标准化，提高训练稳定性reluLayer("Name", "relu_2") % ReLU激活层，增加网络的非线性能力maxPooling2dLayer([3 3], "Name", "maxpool_2") % 最大池化层，进行3x3的最大池化操作，减小特征图的尺寸convolution2dLayer([4 4], 32, "Name", "conv_3", "Padding", "same") % 第三个卷积层，使用4x4的卷积核进行卷积操作，共32个卷积核batchNormalizationLayer("Name", "batchnorm_3") % 批标准化层，对卷积层的输出进行标准化，提高训练稳定性reluLayer("Name", "relu_3") % ReLU激活层，增加网络的非线性能力fullyConnectedLayer(8, "Name", "fc") % 全连接层，将池化后的特征图连接到一个有8个神经元的全连接层softmaxLayer("Name", "softmax") % Softmax层，对全连接层的输出进行Softmax变换，得到分类概率classificationLayer("Name", "classoutput")]; % 分类层，用于输出分类结果%% 设置训练选项options = trainingOptions('adam', ... % 使用Adam优化器'MiniBatchSize', 15, ... % 每个迭代的迷你批次大小'MaxEpochs', 5, ... % 最大训练迭代次数'InitialLearnRate', 0.001, ... % 初始学习率'Shuffle', 'every-epoch', ... % 每个迭代都对数据进行洗牌'Verbose', false, ... % 不显示训练过程中的详细输出'Plots', 'training-progress'); % 显示训练进度图%% 使用训练集训练网络[] = trainNetwork(trainSet,layers,options);
欢迎感兴趣的小伙伴点击“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~
