時頻圖像分類，還在用VGG、ResNet?
SwinTransformer是一種通用視覺任務的Backbone而存在的模型，以替代CNN：
圖片
（1）層次化設計：
Swin Transformer引入了層次化特征表示的概念，類似于CNNs中常見的金字塔結構。這使得它在處理高分辨率圖像時更加高效，能夠逐步聚合信息，并以多尺度特征應對不同的視覺任務。
（2）滑動窗口機制：
Swin Transformer通過滑動窗口的方式計算注意力，使得每個窗口內(nèi)部的注意力計算復雜度大幅降低。這種局部注意力機制有效地解決了ViT在高分辨率圖像處理時的計算瓶頸問題。
（3）移位窗口策略：
為了增強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窗口的位置，實現(xiàn)了跨窗口的信息交互，從而提升了模型的表達能力。
前言
在基于格拉姆矩陣GAF、連續(xù)小波變換CWT、短時傅里葉變換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上!
再新添基于馬爾可夫轉(zhuǎn)換場 MTF 和遞歸圖 RP 的時頻圖像處理（提供更改數(shù)據(jù)集接口，可一鍵替換信號數(shù)據(jù)和不同圖像的變換處理，來進行與Swin-CNN-GAM模型的結合）
代碼下載地址：
??https://mbd.pub/o/bread/ZZ2VmJtt??
軸承一維故障信號數(shù)據(jù)（十分類）：
圖片
馬爾可夫轉(zhuǎn)換場 MTF：
圖片
遞歸圖 RP ：
圖片
格拉姆矩陣GAF變換二維圖像數(shù)據(jù)
圖片
電能質(zhì)量擾動信號：
圖片
馬爾可夫轉(zhuǎn)換場 MTF：
圖片
遞歸圖 RP：
圖片
GAF變換二維圖像數(shù)據(jù)
圖片
● 數(shù)據(jù)集：經(jīng)測試，模型在CWRU西儲大學軸承數(shù)據(jù)集 和 哈工大航天發(fā)動機軸承數(shù)據(jù)集上表現(xiàn)分類準確率 均為100%！
● 環(huán)境框架：python 3.9 pytorch 1.8 及其以上版本均可運行
● 準確率：測試集100%
● 使用對象：論文需求、畢業(yè)設計需求者
● 代碼保證：代碼注釋詳細、即拿即可跑通。
模型創(chuàng)新點還未發(fā)表，有畢業(yè)設計或者發(fā)小論文需求的同學必看，模塊豐富，創(chuàng)新度高，性能優(yōu)越！
代碼配有
（1）訓練可視化：
圖片
（2）原始數(shù)據(jù) t-SNE特征可視化：
圖片
（3）模型訓練后的 t-SNE特征可視化：
圖片
（4）混淆矩陣：
圖片
（5）分類標簽可視化
圖片
創(chuàng)新點：
（1）通過格拉姆矩陣GADF把一維時序故障信號轉(zhuǎn)化為二維圖像；
（2）分支一：圖像數(shù)據(jù)通過頂會模型 Swin Transformer 的窗口注意力機制提取故障圖像局部特征；
（3）分支二：同時故障圖數(shù)據(jù)像通過基于全局注意力機制 GAM-Attention 的 CNN2d 卷積池化網(wǎng)絡；
（4）然后兩個分支提取的全局空間特征和局部特征通過融合后進行自適應平均池化，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。
圖片
注意：此次產(chǎn)品，我們還有配套的模型講解（方便學習網(wǎng)絡結構）和參數(shù)調(diào)節(jié)講解，進行詳細的解釋！
圖片
我們還提供關于一維時序信號的 馬爾可夫轉(zhuǎn)換場 MTF 和遞歸圖 RP 、格拉姆矩陣GAF、連續(xù)小波變換CWT、短時傅里葉變換STFT等相關時頻圖像的分類處理方法，提供更改數(shù)據(jù)集接口，可一鍵替換信號數(shù)據(jù)和不同圖像的變換處理，來進行此創(chuàng)新模型的實驗驗證！
圖片
圖片
連續(xù)小波變換CWT時頻圖數(shù)據(jù)
圖片
短時傅里葉變換STFT時頻圖數(shù)據(jù)
圖片
基于GADF+Swin-CNN-GAM分類網(wǎng)絡模型
設置參數(shù)，訓練模型
圖片
圖片
50個epoch，準確率近100%，用GADF+Swin-CNN-GAM網(wǎng)絡分類效果顯著，創(chuàng)新模型能夠充分提取軸承故障信號的全局空間和局部特征，收斂速度快，性能優(yōu)越，精度高，效果明顯!
模型評估
準確率、精確率、召回率、F1 Score
圖片
故障十分類混淆矩陣：
圖片
? ?
本文轉(zhuǎn)載自 ??建模先鋒??，作者： 小蝸愛建模
