ResNet+马尔可夫场+迁移学习!足够支撑一篇高水平学术论文!小白都能学会!直接运行!

本文主要是介绍ResNet+马尔可夫场+迁移学习!足够支撑一篇高水平学术论文!小白都能学会!直接运行!,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

适用平台:Matlab2023版及以上

基于马尔可夫场(MTF)改进ResNet结合多头注意力机制迁移学习故障识别程序

参考文献一:中文顶级EI期刊《中国电机工程学报》近期发表文献:《基于特征图像组合与改进ResNet-18的电能质量扰动识别方法》

参考文献二:中文顶级EI期刊《电网技术》文献:《基于马尔可夫转换场与多头注意力机制的电能质量扰动分类方法》具体创新点大家可以点击查看,此处不再赘述。

由此可见,迁移学习+预训练网络的写作模式是当前发文的主流。本程序结合上述2篇文献,并对其进行多重改进,提出基于马尔可夫场(MTF)和改进ResNet18结合多头注意力机制的迁移学习故障识别程序: MTF-ResNet-SMA迁移学习故障识别程序,收敛速度极快,创新点十足,足够支撑一篇高水平学术论文。

文献一工作解读:利用“信号-图像”转化方法生成特征分量彩色图;再次,对原始扰动信号进行CWT生成小波时-频图;最后,将特征分量彩色图与小波时-频图组合输入改进ResNet-18中训练学习并完成扰动识别。

ResNet的创新点在于:在搭建网络时采用 了较为新颖的残差模块,其结构如下图所示。残差模块在单一卷积路径上新增了一条旁路分支, 使得后续层的输出取决于前一层的输入(f(x,ω))与 所引接处的输入(Wx)。ResNet正是利用了多个残差模块的特殊结构,从而使其参数量大大减少,缓解了网络退化问题并且有利于图像深层特征的提取。

文献二创新点: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。MTF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。

结合文献一的改进ResNet18模型和文献二的MTF马尔可夫场模型,提出基于马尔可夫场(MTF)和改进ResNet18结合多头注意力机制的迁移学习故障识别程序: MTF-ResNet-SMA迁移学习故障识别程序,创新点十足,足够支撑一篇高水平学术论文,毕业设计等简单任务更是信手拈来。

MTF-ResNet-SMA迁移学习故障识别程序

  • 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马尔可夫场图像。

  • 使用预训练的ResNet18模型作为起点,利用新的故障识别数据集上进行模型微调。针对不同的研究课题,故障类别也不相同,因此需要对预训练的ResNet18模型冻结一部分可用的层。

  • 对其输出层进行改进,增加多头自注意力机制(Multihead Self-Attention,MSA)层,重新训练这些层以适应新的分类任务,本文模型结构如下图所示。

6大创新点:

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:利用了多个残差模块的特殊结构,从而使其参数量大大减少,缓解了网络退化问题并且有利于图像深层特征的提取。将ResNet18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迁移学习:充分利用在大规模数据集上预训练的ResNet18模型,站在巨人的肩膀上,集百家之所长,通过迁移学习,在故障识别任务上进行模型微调,具有较强的特征提取能力。

4训练时间少:着重训练模型微调部分的权重,保持较低的计算复杂度,有利于在实时场景中应用。

5、多头自注意力机制:融合多头注意力机制(Muti-head Self Attention,MSA)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。

6、提高泛化能力:多模态融合可以帮助算法更好地理解数据的本质特征,从而减少过拟合的风险,提高算法在新数据上的泛化能力。

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。

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。

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

程序结果:(由上述一维序列自动转化为马尔科夫MTF图像)

程序结果:

部分图片来源于网络,侵权联系删除!

欢迎感兴趣的小伙伴,联系小编获取代码

这篇关于ResNet+马尔可夫场+迁移学习!足够支撑一篇高水平学术论文!小白都能学会!直接运行!的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/832314

相关文章

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

如何用Docker运行Django项目

本章教程,介绍如何用Docker创建一个Django,并运行能够访问。 一、拉取镜像 这里我们使用python3.11版本的docker镜像 docker pull python:3.11 二、运行容器 这里我们将容器内部的8080端口,映射到宿主机的80端口上。 docker run -itd --name python311 -p

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合,内部除了存储元素外,还会存储一个score,存储在zset中的元素会按照score的大小升序排列,不同元素的score可以重复,score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

线性代数|机器学习-P36在图中找聚类

文章目录 1. 常见图结构2. 谱聚类 感觉后面几节课的内容跨越太大,需要补充太多的知识点,教授讲得内容跨越较大,一般一节课的内容是书本上的一章节内容,所以看视频比较吃力,需要先预习课本内容后才能够很好的理解教授讲解的知识点。 1. 常见图结构 假设我们有如下图结构: Adjacency Matrix:行和列表示的是节点的位置,A[i,j]表示的第 i 个节点和第 j 个