- 博客(113)
- 收藏
- 关注
RSS订阅原创 独家原创 | 基于TCN-SENet +BiGRU-GlobalAttention并行预测模型
基于TCN-SENet +BiGRU-GlobalAttention并行预测模型，以提高时间序列数据的预测性能。
2024-04-11 09:45:50
1023
原创 基于 GADF+Swin-CNN-GAM 的高创新轴承故障诊断模型！
基于格拉姆矩阵GADF+Swin Transformer窗口注意力和CNN-GAM全局注意力的轴承故障诊断模型!
2024-04-10 14:16:28
1288
原创 Python电能质量扰动信号分类(七)基于CNN-TCN-Attention的扰动信号识别模型
本模型继续加入Python电能质量信号分类模型代码全家桶中，之前购买的同学请及时更新下载
2024-04-09 09:40:27
738
原创 独家原创 | SCI 1区 高创新轴承故障诊断模型！
本文基于凯斯西储大学（CWRU）轴承数据，进行快速傅里叶变换（FFT）和变分模态分解VMD的数据预处理，最后通过Python实现基于多级注意力的cnn轻量级网络架构模型对故障数据的分类。
2024-04-09 09:31:39
998
原创 交叉注意力融合时域、频域特征的FFT + CNN -Transformer-CrossAttention电能质量扰动识别模型
创新点：利用交叉注意力机制融合时频特征！
2024-04-08 19:13:27
1292
2
原创 风速预测（八）VMD-CNN-Transformer预测模型
本文基于前期介绍的风速数据（文末附数据集），先经过VMD分解,然后通过数据预处理，制作和加载数据集与标签，最后通过Pytorch实现VMD-CNN-Transformer模型对风速数据的预测,以提高时间序列数据的预测性能。
2024-03-20 21:00:18
1078
12
原创 交叉注意力融合时域、频域特征的FFT + CNN -BiLSTM-CrossAttention电能质量扰动识别模型
本文基于Python仿真的电能质量扰动信号，进行快速傅里叶变换（FFT）的介绍与数据预处理，最后通过Python实现基于FFT的CNN-BiLSTM-CrossAttention模型对电能质量扰动信号的分类。
2024-03-14 08:41:05
1476
1
原创 Python轴承故障诊断 (16)高创新故障识别模型（二）
本文基于凯斯西储大学（CWRU）轴承数据，进行快速傅里叶变换（FFT）和变分模态分解VMD的数据预处理，最后通过Python实现基于交叉注意力CNN-Transformer-CrossAttention的时空特征融合模型对故障数据的分类。
2024-03-13 10:50:33
897
原创 Python轴承故障诊断 (15)基于CNN-Transformer的一维故障信号识别模型
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CNN-Transformer模型对故障数据的分类
2024-03-11 16:47:07
2094
23
原创 Python电能质量扰动信号分类(六)基于扰动信号特征提取的超强机器学习识别模型
本文基于Python仿真的电能质量扰动信号，先经过数据预处理进行数据集的制作和加载，然后通过特征提取和机器学习方法进行扰动信号识别，特征提取是通过从原始PQD信号中提取有意义的特征来减少数据维度，并捕捉到信号的关键信息，机器学习方法能够基于这些特征建立模型，并通过训练和学习来识别不同的扰动信号。
2024-02-29 09:39:53
946
原创 风速预测（七）VMD-CNN-BiLSTM预测模型
本文基于前期介绍的风速数据（文末附数据集），先经过VMD分解,然后通过数据预处理，制作和加载数据集与标签，最后通过Pytorch实现VMD-CNN-BiLSTM模型对风速数据的预测,以提高时间序列数据的预测性能。
2024-02-29 09:38:09
876
3
原创 Python轴承故障诊断 (14)高创新故障识别模型
本文基于凯斯西储大学（CWRU）轴承数据，进行快速傅里叶变换（FFT）和变分模态分解VMD的数据预处理，最后通过Python实现基于交叉注意力CNN-BiLSTM-CrossAttention的时空特征融合模型对故障数据的分类。
2024-02-28 20:48:07
1424
原创 多特征变量序列预测(10)基于麻雀优化算法的CEEMDAN-SSA-Transformer-BiLSTM预测模型
本文基于前期介绍的风速数据（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SSA-Transformer-BiLSTM多特征变量序列预测模型，以提高时间序列数据的预测性能。
2024-02-28 20:46:09
974
原创 多特征变量序列预测(九)基于麻雀优化算法的CEEMDAN-SSA-BiGRU-Attention预测模型
本文基于前期介绍的风速数据（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SSA-BiGRU-Attention多特征变量序列预测模型，以提高时间序列数据的预测性能。
2024-02-27 17:09:51
1062
原创 多特征变量序列预测(八)基于麻雀优化算法的CEEMDAN-SSA-BiLSTM预测模型
基于风速数据，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SSA-BiLSTM多特征变量序列预测模型，以提高时间序列数据的预测性能。
2024-02-05 15:50:51
798
原创 基于FFT + CNN -Transformer时域、频域特征融合的电能质量扰动识别模型
本文基于Python仿真的电能质量扰动信号，进行快速傅里叶变换（FFT）的介绍与数据预处理，最后通过Python实现基于FFT的CNN-Transformer融合模型对电能质量扰动信号的分类。
2024-02-02 18:24:59
1091
4
原创 轴承故障诊断 (12)基于交叉注意力特征融合的VMD+CNN-BiLSTM-CrossAttention故障识别模型
本文基于凯斯西储大学（CWRU）轴承数据，进行变分模态分解VMD的介绍与数据预处理，最后通过Python实现基于交叉注意力CNN-BiLSTM-CrossAttention的时空特征融合模型对故障数据的分类。
2024-02-01 16:46:20
1575
原创 多特征变量序列预测(七) CEEMDAN+Transformer-BiLSTM预测模型
本文基于前期介绍的风速数据（文末附数据集），介绍一种多特征变量序列预测模型CEEMDAN + Transformer-BiLSTM，以提高时间序列数据的预测性能。
2024-02-01 16:37:57
1042
8
原创 交叉注意力融合时域、频域特征的FFT + CNN-Transformer-CrossAttention轴承故障识别模型
本文基于凯斯西储大学（CWRU）轴承数据，进行快速傅里叶变换（FFT）的介绍与数据预处理，最后通过Python实现基于FFT的CNN-Transformer-CrossAttention模型对故障数据的分类。
2024-01-30 14:46:30
1180
原创 基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的电能质量扰动识别模型
本文基于Python仿真的电能质量扰动信号，进行快速傅里叶变换（FFT）的介绍与数据预处理，最后通过Python实现基于FFT的CNN-BiGRU-Attention并行模型对电能质量扰动信号的分类。
2024-01-29 09:19:01
1034
原创 基于麻雀优化算法SSA的CEEMDAN-Transformer-BiGRU预测模型
本文基于前期介绍的风速数据（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SSA-Transformer-BiGRU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Transformer-BiGRU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。
2024-01-29 09:18:13
815
原创 基于麻雀优化算法SSA的CEEMDAN-BiLSTM-Attention的预测模型
Python实现综合CEEMDAN分解与基于麻雀优化算法的SSA-BiLSTM-Attention预测模型
2024-01-18 19:28:01
1150
原创 交叉注意力融合时域、频域特征的FFT + CNN -BiLSTM-CrossAttention轴承故障识别模型
本文基于凯斯西储大学（CWRU）轴承数据，进行快速傅里叶变换（FFT）的介绍与数据预处理，最后通过Python实现基于FFT的CNN-BiLSTM-CrossAttention模型对故障数据的分类。
2024-01-17 13:37:51
2192
原创 多特征变量序列预测(六) CEEMDAN+CNN-Transformer风速预测模型
本文基于前期介绍的风速数据（文末附数据集），介绍一种多特征变量序列预测模型CEEMDAN + CNN-Transformer，以提高时间序列数据的预测性能。
2024-01-17 13:36:20
1136
Endnote-X9文献管理软件
2023-11-30
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人