AI.x社区

本期基于某风电功率数据集，推出一种InformerLSTM并行预测模型，在单步预测任务中预测效果提升明显！效果对比：LSTM预测模型模型评估：LSTM预测模型预测可视化：InformerLSTM并行预测模型：模型评估：预测可视化：风电功率数据集特征分析—可视化：1.模型创新点介绍1.1结合Informer和RNN的优势Informer：擅长处理长时间序列，能够并行计算，提高了计算效率和预测性能。Informer在Transformer的基础上进行了改进，使其更适合时序...

基于CEEMDANTransformerBiLSTM并行+XGBoost的组合预测模型！组合预测模型思路：使用复杂模型去预测数据的分量特征，因为复杂模型参数量大，适合预测高频复杂分量特征，但是低频分量特征比较简单，要是还用复杂模型的话，就容易过拟合，反而效果不好，所以对于低频分量特征我们采用简单模型（或者机器学习模型）去预测，然后进行预测分量的重构以实现高精度预测。环境：python3.9pytorch1.8及其以上1.Transformer：Transformer是...

前言本期我们推出创新性预测模型：CEEMDAN分解+InformerLSTM+XGBoost组合预测模型。通过CEEMDAN自适应信号分解将原始序列解耦为多频分量，构建高频低频两级预测通道：高频分量由于其复杂性，采用参数丰富的InformerLSTM并行模型，这种结合了注意力机制和长短期记忆网络的模型能更好地捕获长程依赖和复杂动态变化；低频分量则使用XGBoost，这是一种高效的梯度提升决策树模型，能够快速处理简单且低频的特征，避免过拟合。各模型...

前言本文基于Kaggle平台—洪水数据集的回归预测（文末附数据集），更新CNN、LSTM、LSTMAttention、TransformerBiLSTM、CNNBiLSTMAttention等模型的可视化分析！1.更新介绍（新增可视化代码）1.1新增可视化对比（1）柱状图对比：（2）雷达图可视化对比：（3）预测拟合对比：1.2模型简介包括完整流程数据代码处理：回归预测数据集制作、数据加载、模型定义、参数设置、模型训练、模型测试、预测可视化、模型评估2.数据预处理数据...

前言本期新增GAF+Vgg16、GAF+Resnet18、GAF+SwinTransformer，来作为与创新模型GAF+SwinCNNGAM的对比与学习。1创新模型相关解释●数据集：CWRU西储大学轴承数据集●环境框架：python3.9pytorch2.1及其以上版本均可运行●时频图像变换：提供5种时频图像变换方法●模型：创新模型和三种对比模型●准确率：测试集100%●使用对象：论文需求、毕业设计需求者●代码保证：代码注释详细、即拿即可跑通。提供马尔可夫转换场MTF、递归图R...

前言本期我们推出创新性预测模型：CEEMDAN分解+InformerLSTM+XGBoost组合预测模型。通过CEEMDAN自适应信号分解将原始序列解耦为多频分量，构建高频低频两级预测通道：高频分量由于其复杂性，采用参数丰富的InformerLSTM并行模型，这种结合了注意力机制和长短期记忆网络的模型能更好地捕获长程依赖和复杂动态变化；低频分量则使用XGBoost，这是一种高效的梯度提升决策树模型，能够快速处理简单且低频的特征，避免过拟合。各模型...

前言本期推出一种基于FFT+VMD预处理，1DCNNInformer双支路特征提取并行，多头注意力融合的分类模型，在故障诊断任务上效果显著！1模型简介与创新点介绍1.1模型简介●数据集：CWRU西储大学轴承数据集●环境框架：python3.9pytorch1.8及其以上版本均可运行●准确率：测试集100%●使用对象：论文需求、毕业设计需求者●代码保证：代码注释详细、即拿即可跑通。注意：（1）我们还有配套的模型讲解（方便学习网络结构）和参数调节讲...

前言本期更新推出一种基于连续小波变换（ContinuousWaveletTransform,CWT）与VGG模型的时间序列预测方法，将传统时频分析技术与深度学习相结合，有效解决了复杂时间序列的建模难题。通过将一维时序信号转换为二维时频图像，充分利用卷积神经网络（CNN）对图像特征的强大提取能力，在保证时序局部特征的同时，显著提升模型对非平稳信号的适应性。1.模型简介模型核心思想（1）时频转换：利用CWT捕捉时序信号的时频局部特性，生成...

本期推出一种基于快速傅里叶卷积的FFCResNet的网络模型，通过把ResNet中常规卷积替换为快速傅里叶卷积，提升了卷积神经网络（CNN）的性能，并应用在轴承故障诊断任务上，取得了不错的效果！通过巧妙融合快速傅里叶变换（FFT）的卓越性能，快速傅里叶卷积（FFC）成为了执行卷积操作的高效利器，尤其是在渴求全局性上下文理解与跨尺度特征无缝融合的场景下展现出了非凡优势。这种创新性的频域处理手段，不仅显著提升了特征提取的...

1.模型简介与创新点介绍1.1模型简介●数据集：CWRU西储大学轴承数据集●环境框架：python3.9pytorch1.8及其以上版本均可运行●准确率：测试集100%●使用对象：论文需求、毕业设计需求者●代码保证：代码注释详细、即拿即可跑通。1.2创新点介绍创新一：独家原创预处理结合快速傅里叶变换FFT和变分模态分解VMD来进行信号的时频、域特征提取，能够挖掘故障信号中的多尺度特征：（1）预处理——FFT：FFT是一种广泛应用的频域分析方...

1.模型简介与创新点介绍1.1模型简介将时频图像和一维时序信号相结合，并使用CBAM注意力机制优化的ResNet和GRU多模态特征融合模型，来进行故障信号分类，能够有效地结合时频图像空间特征和一维信号时间序列特征，能够充分利用多模态特征的优势。1.2创新点介绍创新一：多模态融合本模型将时频图像和一维时序信号进行多模态融合，充分利用这两类数据的互补性。时频图像通过马尔可夫转移场MTF，将信号的频率和时间特征可视化。而一...

前言本期更新推出一种基于连续小波变换（ContinuousWaveletTransform,CWT）与VGG模型的时间序列预测方法，将传统时频分析技术与深度学习相结合，有效解决了复杂时间序列的建模难题。通过将一维时序信号转换为二维时频图像，充分利用卷积神经网络（CNN）对图像特征的强大提取能力，在保证时序局部特征的同时，显著提升模型对非平稳信号的适应性。1.模型简介模型核心思想（1）时频转换：利用CWT捕捉时序信号的时频局部特性，生成...

前言传统时间序列预测模型（如ARIMA、单一LSTM）在面对多尺度特征（如长周期、短周期、噪声混杂）和非线性动态（如突变、趋势漂移）时表现受限，尤其对以下场景效果不佳：强噪声干扰：工业传感器信号中的高频噪声掩盖真实模式多季节性与趋势耦合：如电力负荷数据（日周期+周周期+节假日趋势）长期依赖与短期波动并存：如股票价格序列针对以上问题，本期提出一种基于STL+VMD二次分解，InformerLSTM的并行预测模型，该创新模型通...

前言本文基于前期介绍的电力变压器（文末附数据集），介绍一种综合应用完备集合经验模态分解CEEMDAN与基于麻雀优化算法的SSATCNBiLSTMAttention预测模型，以提高时间序列数据的预测性能。该方法的核心是使用CEEMDAN算法对时间序列进行分解，接着利用麻雀优化算法对TCNBiLSTMAttention模型进行优化，通过对分解后的数据进行建模，来实现精准预测。1.数据CEEMDAN分解与可视化1.1导入数据1.2CEEMDAN分解根据分解结果看，CEEMDAN一...

前言本文基于凯斯西储大学（CWRU）轴承数据，使用特征提取和机器学习方法进行故障识，然后基于XGBoos模型介绍一种参数搜索策略，并通过SHAP模型可视化技术对结果进行分析。1.数据集和特征提取1.1数据集导入参考之前的文章，进行故障10分类的预处理，凯斯西储大学轴承数据10分类数据集：数据的读取形式以及预处理思路。1.2故障信号特征提取选择峭度、熵值、分形值、波形指标、频谱指标、频域指标、统计特征、振动特征等13种指标...

前言本文基于凯斯西储大学（CWRU）轴承数据，先经过数据预处理进行数据集的制作和加载，最后通过Pytorch实现KNN+GCN模型对故障数据的分类。1.相关网络介绍1.1图卷积神经网络(GCN)论文地址：​​https:arxiv.orgabs1609.02907​​1.2图注意力网络(GAT)论文地址：​​https:arxiv.orgabs1710.10903​​1.3稀疏图卷积网络(SGCN)论文地址：​​​https:arxiv.orgabs2104.01528​​​1.4GIN图同构网络论文地址：​​​https:arxiv.or...

前言本期推出一种基于KNN+GCN和基于全局注意力机制优化的BiGRU并行分类模型，在故障诊断任务上效果显著！1模型简介与创新点介绍1.1模型简介在应用图卷积网络(GraphConvolutionalNetworks,GCN)到信号模式识别领域中，最关键的是如何构建数据的图结构；我们利用基于KNN的轴承故障信号预处理的方法，来构建故障信号序列的图结构，并用GCN+BiGRUGlobalAttention网络模型进行诊断识别，取得了一定精度的分类效果。1.2创新点介绍基于K...

前言在轴承故障信号中既包含轴承转动声音，又包含场景中的其他噪声信息。如何聚焦轴承转动的时域特征和频域特征，降低场景噪声的干扰，是我们需要解决的问题。本期为大家介绍几种常用且高效的信号降噪算法：（1）离散小波变换（DWT）：通过将信号分解到不同的频带，有效地分离出噪声和故障特征。（2）经验模态分解（EMD）：自适应地将信号分解为一系列本征模态函数（IMF），每个IMF代表不同尺度的成分。（3）经验小波变换（EWT...

前言本文基于某时间序列分类任务数据集，介绍一种融合快速傅里叶变换FFT，基于时频特征融合的FFTCNNBiGRUAttention创新分类模型。1模型简介与创新点介绍1.1模型简介●数据集：时间序列分类任务数据集●环境框架：python3.9pytorch2.1及其以上版本均可运行●使用对象：入门学习，论文需求者●代码保证：代码注释详细、即拿即可跑通。●配套文件：详细的环境配置安装教程，模型、参数讲解文档1.2创新点介绍（1）快速傅里叶变换（F...

前言实验采用美国马里兰大学先进寿命周期工程研究中心(CALCE)的锂电池充放电循环寿命实验数据。马里兰大学实验组将实验数据按时间分类存放在一系列excel文件中，CS2电池设置的工作温度为恒定温度(20～25℃)。CS2电池实验过程可分为充电阶段和放电阶段。此次研究从中采取1.1A的CS2型号电池的4组数据，分别为：CS35、CS36、CS37和CS38，电池数据文件中电池参数较多，如时间节点、测试时间、循环次数、电流、电压、充电容量、放电...