分类预测 | Matlab实现基于Transformer多特征分类预测/故障诊断

分类效果

基本介绍

1.Matlab实现Transformer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，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。

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.data为数据集，输入12个特征，分四类，分类效果如下：

注：程序和数据放在一个文件夹。

程序设计

• 完整程序和数据获取方式私信博主回复Matlab实现基于Transformer多特征分类预测/故障诊断（完整源码和数据）。

%%  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

%%  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)';

%%  数据分析
outdim = 1;                                  % 最后一列为输出
f_ = size(res, 2) - 1;               % 特征维度                  % 输入特征维度

%%  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, f_,1 , 1, M));
p_test  =  double(reshape(P_test , f_,1 , 1, N));
% t_train =  double(t_train)';
% t_test  =  double(t_test )'

%%  Transformer网络
%网络搭建
numChannels = num_dim;
maxPosition = 256;
numHeads = 4;
numKeyChannels = numHeads*32;

参考资料

[1] http://t.csdn.cn/pCWSp
[2] https://download.csdn.net/download/kjm13182345320/87568090?spm=1001.2014.3001.5501
[3] https://blog.csdn.net/kjm13182345320/article/details/129433463?spm=1001.2014.3001.5501