時頻圖像分類，還在用VGG、ResNet?
SwinTransformer是一種通用視覺任務(wù)的Backbone而存在的模型，以替代CNN：
圖片
（1）層次化設(shè)計：
Swin Transformer引入了層次化特征表示的概念，類似于CNNs中常見的金字塔結(jié)構(gòu)。這使得它在處理高分辨率圖像時更加高效，能夠逐步聚合信息，并以多尺度特征應(yīng)對不同的視覺任務(wù)。
（2）滑動窗口機(jī)制：
Swin Transformer通過滑動窗口的方式計算注意力，使得每個窗口內(nèi)部的注意力計算復(fù)雜度大幅降低。這種局部注意力機(jī)制有效地解決了ViT在高分辨率圖像處理時的計算瓶頸問題。
（3）移位窗口策略：
為了增強不同窗口間的信息交流，Swin Transformer采用了移位窗口策略（Shifted Window）。這種策略通過在相鄰層中移動窗口的位置，實現(xiàn)了跨窗口的信息交互，從而提升了模型的表達(dá)能力。
前言
在基于格拉姆矩陣GAF、連續(xù)小波變換CWT、短時傅里葉變換STFT+Swin Transformer窗口注意力和CNN-GAM全局注意力的軸承故障診斷模型基礎(chǔ)上!
再新添基于馬爾可夫轉(zhuǎn)換場 MTF 和遞歸圖 RP 的時頻圖像處理（提供更改數(shù)據(jù)集接口，可一鍵替換信號數(shù)據(jù)和不同圖像的變換處理，來進(jìn)行與Swin-CNN-GAM模型的結(jié)合）
代碼下載地址：
??https://mbd.pub/o/bread/ZZ2VmJtt??
軸承一維故障信號數(shù)據(jù)（十分類）：
圖片
馬爾可夫轉(zhuǎn)換場 MTF：
圖片
遞歸圖 RP ：
圖片
格拉姆矩陣GAF變換二維圖像數(shù)據(jù)
圖片
電能質(zhì)量擾動信號：
圖片
馬爾可夫轉(zhuǎn)換場 MTF：
圖片
遞歸圖 RP：
圖片
GAF變換二維圖像數(shù)據(jù)
圖片
● 數(shù)據(jù)集：經(jīng)測試，模型在CWRU西儲大學(xué)軸承數(shù)據(jù)集 和 哈工大航天發(fā)動機(jī)軸承數(shù)據(jù)集上表現(xiàn)分類準(zhǔn)確率 均為100%！
● 環(huán)境框架：python 3.9 pytorch 1.8 及其以上版本均可運行
● 準(zhǔn)確率：測試集100%
● 使用對象：論文需求、畢業(yè)設(shè)計需求者
● 代碼保證：代碼注釋詳細(xì)、即拿即可跑通。
模型創(chuàng)新點還未發(fā)表，有畢業(yè)設(shè)計或者發(fā)小論文需求的同學(xué)必看，模塊豐富，創(chuàng)新度高，性能優(yōu)越！
代碼配有
（1）訓(xùn)練可視化：
圖片
（2）原始數(shù)據(jù) t-SNE特征可視化：
圖片
（3）模型訓(xùn)練后的 t-SNE特征可視化：
圖片
（4）混淆矩陣：
圖片
（5）分類標(biāo)簽可視化
圖片
創(chuàng)新點：
（1）通過格拉姆矩陣GADF把一維時序故障信號轉(zhuǎn)化為二維圖像；
（2）分支一：圖像數(shù)據(jù)通過頂會模型 Swin Transformer 的窗口注意力機(jī)制提取故障圖像局部特征；
（3）分支二：同時故障圖數(shù)據(jù)像通過基于全局注意力機(jī)制 GAM-Attention 的 CNN2d 卷積池化網(wǎng)絡(luò)；
（4）然后兩個分支提取的全局空間特征和局部特征通過融合后進(jìn)行自適應(yīng)平均池化，使模型能夠更好地融合不同層次的特征表示，提高模型性能和泛化能力。
圖片
注意：此次產(chǎn)品，我們還有配套的模型講解（方便學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)）和參數(shù)調(diào)節(jié)講解，進(jìn)行詳細(xì)的解釋！
圖片
我們還提供關(guān)于一維時序信號的 馬爾可夫轉(zhuǎn)換場 MTF 和遞歸圖 RP 、格拉姆矩陣GAF、連續(xù)小波變換CWT、短時傅里葉變換STFT等相關(guān)時頻圖像的分類處理方法，提供更改數(shù)據(jù)集接口，可一鍵替換信號數(shù)據(jù)和不同圖像的變換處理，來進(jìn)行此創(chuàng)新模型的實驗驗證！
圖片
圖片
連續(xù)小波變換CWT時頻圖數(shù)據(jù)
圖片
短時傅里葉變換STFT時頻圖數(shù)據(jù)
圖片
基于GADF+Swin-CNN-GAM分類網(wǎng)絡(luò)模型
設(shè)置參數(shù)，訓(xùn)練模型
圖片
圖片
50個epoch，準(zhǔn)確率近100%，用GADF+Swin-CNN-GAM網(wǎng)絡(luò)分類效果顯著，創(chuàng)新模型能夠充分提取軸承故障信號的全局空間和局部特征，收斂速度快，性能優(yōu)越，精度高，效果明顯!
模型評估
準(zhǔn)確率、精確率、召回率、F1 Score
圖片
故障十分類混淆矩陣：
圖片
? ?
本文轉(zhuǎn)載自 ??建模先鋒??，作者： 小蝸愛建模
