先用先发！小样本故障诊断新思路！Transformer-SVM组合模型多特征分类预测/故障诊断（Matlab）_C/C++

先用先发！小样本故障诊断新思路！transformer-svm组合模型多特征分类预测/故障诊断（matlab）

效果一览

在这里插入图片描述

基本介绍

1.matlab实现transformer-svm多特征分类预测/故障诊断，运行环境matlab2023b及以上；

2.excel数据，方便替换，输入多个特征，分四类，可在下载区获取数据和程序内容。

3.图很多，包括分类效果图，混淆矩阵图。命令窗口输出分类准确率、灵敏度、特异性、曲线下面积、kappa系数、f值，及召回率、精确率、f1分数。

4.附赠案例数据可直接运行main一键出图，注意程序和数据放在一个文件夹，运行环境为matlab2023b及以上。

5.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。可在下载区获取数据和程序内容。

6.模型只是提供一个衡量数据集精度的方法，因此无法保证替换数据就一定得到您满意的结果。

在这里插入图片描述

程序设计

完整源码和数据获取方式私信博主回复transformer-svm组合模型多特征分类预测/故障诊断（matlab）。




%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行



%%  分析数据
num_class = length(unique(res(:, end)));  % 类别数（excel最后一列放类别）
num_dim = size(res, 2) - 1;               % 特征维度
num_res = size(res, 1);                   % 样本数（每一行，是一个样本）
num_size = 0.7;                           % 训练集占数据集的比例
res = res(randperm(num_res), :);          % 打乱数据集（不打乱数据时，注释该行）
flag_conusion = 1;                        % 标志位为1，打开混淆矩阵（要求2018版本及以上）

%%  设置变量存储数据
p_train = []; p_test = [];
t_train = []; t_test = [];

%%  划分数据集
for i = 1 : num_class
    mid_res = res((res(:, end) == i), :);           % 循环取出不同类别的样本
    mid_size = size(mid_res, 1);                    % 得到不同类别样本个数
    mid_tiran = round(num_size * mid_size);         % 得到该类别的训练样本个数

         
end

%%  数据转置
p_train = p_train'; p_test = p_test';
t_train = t_train'; t_test = t_test';

%%  得到训练集和测试样本个数
m = size(p_train, 2);
n = size(p_test , 2);

%%  数据归一化
[p_train, ps_input] = mapminmax(p_train, 0, 1);
p_test = mapminmax('apply', p_test, ps_input);

t_train = categorical(t_train)';
t_test  = categorical(t_test )';

%%  数据平铺
%   将数据平铺成1维数据只是一种处理方式
%   也可以平铺成2维数据，以及3维数据，需要修改对应模型结构
%   但是应该始终和输入层数据结构保持一致
p_train =  double(reshape(p_train, num_dim, 1, 1, m));
p_test  =  double(reshape(p_test , num_dim, 1, 1, n));

%%  数据格式转换
for i = 1 : m
    p_train{i, 1} = p_train(:, :, 1, i);
end

for i = 1 : n
    p_test{i, 1} = p_test( :, :, 1, i);
end


%网络搭建
numchannels = num_dim;
maxposition = 256;
numheads = 4;
numkeychannels = numheads*32;