BO-Transformer-LSTM多特征分类预测/故障诊断(Matlab实现)

SCI一区级 | Matlab实现BO-Transformer-LSTM多特征分类预测/故障诊断

效果一览

基本介绍

1.【SCI一区级】Matlab实现BO-Transformer-LSTM特征分类预测/故障诊断，BO-Transformer-LSTM/Bayes-Transformer-LSTM（程序可以作为SCI一区级论文代码支撑，目前尚未发表）；

2.贝叶斯优化参数为：学习率，隐含层节点，正则化参数，运行环境为Matlab2023b及以上；

3.data为数据集，输入12个特征，分四类，main.m为主程序，运行即可,所有文件放在一个文件夹；

4.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；

5.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。

程序设计

• 完整程序和数据下载私信博主回复SCI一区级 | Matlab实现BO-Transformer-LSTM多特征分类预测/故障诊断。

%%  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

%%  读取数据
res = xlsread('data.xlsx');

%%  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

    P_train = [P_train; mid_res(1: mid_tiran, 1: end - 1)];       % 训练集输入
    T_train = [T_train; mid_res(1: mid_tiran, end)];              % 训练集输出

    P_test  = [P_test; mid_res(mid_tiran + 1: end, 1: end - 1)];  % 测试集输入
    T_test  = [T_test; mid_res(mid_tiran + 1: end, end)];         % 测试集输出
end


%%  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 )';

%%  格式转换
for i = 1 : M
    p_train{i, 1} = P_train(:, i);
end

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

%%  创建待优化函数
ObjFcn = @BOFunction;

参考资料

[1] https://blog.csdn.net/kjm13182345320/article/details/128163536?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128151206?spm=1001.2014.3001.5502