本期可謂是寶藏篇！學會本期的思想，幫助你分分鐘找到創新點，且不與別人重復！

本期采用MATLAB代碼，實現一種“基于格拉姆角場與并行CNN的故障診斷方法”。該方法的具體實現可以參考文獻：

[1]李宗源,陳謙,錢倍奇等.基于格拉姆角場與并行CNN的并網逆變器開關管健康診斷[J/OL].電力自動化設備,1-11[2024-02-20].https://doi.org/10.16081/j.epae.202312032.

本期文章除了復現上述原文方法，還在此文獻的基礎上，改進文中的并行CNN方法，實現了：

并行CNN-BiLSTM故障診斷，并行CNN-Attention故障診斷，和1D-2D-CNN-BiLSTM故障診斷。

當你學會這幾種方法之后，就可以通過替換BiLSTM為其他網絡，如GRU，BiGRU，LSTM，RNN，PNN，KNN，DBN，SVM，LSSVM，ELM等等機器學習方法，還可以替換CNN為TCN，RF，KNN，RCNN等等！

各種方法組合一下，創新點不就來了！想做的再復雜點的，還可以再融合一下智能優化算法，對網絡參數進行優化一下。可謂是真的可以玩出花兒呀！

---

說到這里，請問何為并行呢？

其實很簡單，就是同時將數據送入兩個或多個網絡支路，在不同的網絡進行特征提取學習后，再將生成的向量進行拼接。最后一起送到分類器或預測器中。

舉例1：并行CNN

這是采用MATLAB搭建的并行CNN網絡，也就是上述文獻提到的方法。

可以看到，該網絡一共有兩個支路，支路1輸入格拉姆矩陣變換的GASF矩陣，支路2輸入格拉姆矩陣變換的GADF矩陣。除了輸入不同之外，這兩個支路結構是完全相同的，但是該網絡可以做到同時輸入兩種不同的特征，最后再將特征進行融合，一起送入softmax分類器中學習。

舉例2：并行CNN-BiLSTM

與例1不同的是，這個網絡在支路匯合后，送入了BiLSTM再次進行學習。那么請問兩條支路可以不一致嗎，比如，在第一條支路加一個LSTM或者Attention可以嗎，回答當然也是可以的！這里就不再對此舉例了。

舉例3：并行CNN-Attention

該網絡在支路匯合后，加入了Attention機制，再次提升精準率。

---

那么請問何為1D-2D呢？

其實也很簡單，就是把原始的一維序列數據轉換為二維矩陣（這里可以采用格拉姆矩陣法），再與一維數據進行合并。一起送入不同的網絡支路進行學習，再將生成的向量進行拼接，最后一起送到分類器或預測器中。

舉例4：1D_2D_CNN_BiLSTM

這里將采用格拉姆矩陣法生成的二維矩陣送入input1中，采用CNN進行空間特征提取，然后再將原始的一維數據送入vinput中，采用Bilstm進行時間特征的學習，最后再將生成的向量進行拼接，最后一起送到分類器或預測器中。

代碼目錄如下：

每個子文件目錄下還有關于程序使用的詳細介紹及對應的參考文獻：

代碼運行結果展示如下,采用經典的鳶尾花數據：

格拉姆矩陣圖像：

并行CNN分類結果：

并行CNN-BiLSTM分類結果：

并行CNN-Attention分類結果：

1D-2D-CNN-BiLSTM分類結果：

代碼獲取

下方卡片獲取