创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型


目录

  • 创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型
  • 效果一览
  • 基本介绍
  • 程序设计
  • 参考资料


效果一览

创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型_GA-Kmeans

创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型_GA-Kmeans_02


创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型_Transformer_03

创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型_GA-Kmeans_04


创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型_kmeans_05


创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型_kmeans_06


创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型_Transformer_07


创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型_Transformer_08


创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型_聚类_09


创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型_Transformer_10


创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型_Transformer_11


创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型_GA-Kmeans_12


创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型_聚类_13

创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型_Transformer_14

基本介绍

1.创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型,运行环境Matlab2023b及以上;

2.excel数据,方便替换,先运行main1_GAKmeans对时序数据进行聚类、再运行main2_Transformer对聚类后的数据进行识别,其余为函数文件无需运行,可在下载区获取数据和程序内容,适用于交通、气象、负荷等领域。

3.图很多,包括聚类效果图、分类识别效果图,混淆矩阵图。命令窗口输出分类准确率、灵敏度、特异性、曲线下面积、Kappa系数、F值。
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。

创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型_transformer_15

创新研究亮点!GA-Kmeans-Transformer时序聚类+状态识别组合模型_Transformer_16

程序设计

  • 完整源码和数据获取方式私信博主回复GA-Kmeans-Transformer时序聚类+状态识别组合模型
%%  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



%%  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

         
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, num_dim, 1, 1, M));
P_test  =  double(reshape(P_test , num_dim, 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


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