SwinTransformer是一種通用視覺任務(wù)的Backbone而存在的模型，以替代CNN：

（1）層次化設(shè)計(jì)：

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(shí)更加高效，能夠逐步聚合信息，并以多尺度特征應(yīng)對(duì)不同的視覺任務(wù)。

（2）滑動(dòng)窗口機(jī)制：

Swin Transformer通過滑動(dòng)窗口的方式計(jì)算注意力，使得每個(gè)窗口內(nèi)部的注意力計(jì)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(shí)的計(jì)算瓶頸問題。

（3）移位窗口策略：

為了增強(qiáng)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(dòng)窗口的位置，實(shí)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(shí)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(shí)頻圖像處理（提供更改數(shù)據(jù)集接口，可一鍵替換信號(hào)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(hào)數(shù)據(jù)（十分類）：

馬爾可夫轉(zhuǎn)換場 MTF：

遞歸圖 RP ：

格拉姆矩陣GAF變換二維圖像數(shù)據(jù)

電能質(zhì)量擾動(dòng)信號(hào)：

馬爾可夫轉(zhuǎn)換場 MTF：

遞歸圖 RP：

GAF變換二維圖像數(shù)據(jù)

● 數(shù)據(jù)集：經(jīng)測試，模型在CWRU西儲(chǔ)大學(xué)軸承數(shù)據(jù)集 和 哈工大航天發(fā)動(dòng)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(yùn)行

● 準(zhǔn)確率：測試集100%

● 使用對(duì)象：論文需求、畢業(yè)設(shè)計(jì)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(diǎn)還未發(fā)表，有畢業(yè)設(shè)計(jì)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：

（2）原始數(shù)據(jù) t-SNE特征可視化：

（3）模型訓(xùn)練后的 t-SNE特征可視化：

（4）混淆矩陣：

（5）分類標(biāo)簽可視化

創(chuàng)新點(diǎn)：

（1）通過格拉姆矩陣GADF把一維時(shí)序故障信號(hào)轉(zhuǎn)化為二維圖像；

（2）分支一：圖像數(shù)據(jù)通過頂會(huì)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(shí)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(gè)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。

本文轉(zhuǎn)載自 ??建模先鋒??，作者： 小蝸愛建模