【Transformer分类】基于雾凇算法优化Transformer实现柴油机故障诊断附matlab代码 标准.rar

%% 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 %% 导入数据 %% 导入数据 res = xlsread('数据集.xlsx'); %% 划分训练集和测试集 temp = randperm(357); P_train = res(temp(1: 240), 1: 12)'; T_train = res(temp(1: 240), 13)'; M = size(P_train, 2); P_test = res(temp(241: end), 1: 12)'; T_test = res(temp(241: end), 13)'; 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, 12, 1, 1, M)); P_test = double(reshape(P_test , 12, 1, 1, N)); %% 数据格式转换 for i = 1 : M p_train{i, 1} = P_train(:, :, 1, i); end for i = 1 : N p_test{i, 1} = P_test( :, :, 1, i); end %% 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, size(res,2)-1, 1, 1, M)); P_test = double(reshape(P_test , size(res,2)-1, 1, 1, N)); t_train = categorical(T_train)'; t_test = categorical(T_test )'; %% 数据格式转换 for i = 1 : M p_train{i, 1} = P_train(:, :, 1, i); end for i = 1 : N p_test{i, 1} = P_test( :, :, 1, i); end numChannels = size(res,2)-1; %% 优化算法参数设置 SearchAgents_no = 6; % 数量 Max_iteration = 10; % 最大迭代次数 dim = 3; % 优化参数个数 lb = [0.001]; %% 寻优参数下限 [学习率,]; ub = [0.1]; %% 寻优参数上限 [学习率]; fitness=@(x)Transformer(x,numChannels,p_train, t_train,p_test,T_train,T_test,M,N); [Best_score,Best_pos,curve]=RIME(SearchAgents_no,Max_iteration,lb ,ub,dim,fitness); [error,error1,error2,T_sim1,T_sim2]=Transformer(Best_pos,numChannels,p_train, t_train,p_test,T_train,T_test,M,N); %% 数据排序 [T_train, index_1] = sort(T_train); [T_test , index_2] = sort(T_test ); %% 绘图 figure plot(1: M, T_train, 'r-*', 1: M, T_sim1, 'b-o', 'LineWidth', 1) legend('真实值', '预测值') xlabel('预测样本') ylabel('预测结果') string = {'训练集预测结果对比'; ['准确率=' num2str(error1) '%']}; title(string) xlim([1, M]) grid figure plot(1: N, T_test, 'r-*', 1: N, T_sim2, 'b-o', 'LineWidth', 1) legend('真实值', '预测值') xlabel('预测样本') ylabel('预测结果') string = {'测试集预测结果对比'; ['准确率=' num2str(error2) '%']}; title(string) xlim([1, N]) grid %% 混淆矩阵 figure cm = confusionchart(T_train, T_sim1); cm.Title = 'Confusion Matrix for Train Data'; cm.ColumnSummary = 'column-normalized'; cm.RowSummary = 'row-normalized'; figure cm = confusionchart(T_test, T_sim2); cm.Title = 'Confusion Matrix for Test Data'; cm.ColumnSummary = 'column-normalized'; cm.RowSummary = 'row-normalized';