分類預測 | Matlab實現GAF-PCNN-MATT格拉姆角場和雙通道PCNN融合多頭注意力機制的分類預測/故障識別

分類效果

基本描述

1.Matlab實現GAF-PCNN-MATT格拉姆角場和雙通道PCNN融合多頭注意力機制的分類預測/故障識別。
2.自帶數據，多輸入，單輸出，多分類。圖很多、混淆矩陣圖、預測效果圖等等
3.直接替換數據即可使用，保證程序可正常運行。運行環(huán)境MATLAB2023及以上。
4.代碼特點：參數化編程、參數可方便更改、代碼編程思路清晰、注釋明細。

程序設計

• 完整程序和數據私信博主回復Matlab實現GAF-PCNN-MATT格拉姆角場和雙通道PCNN融合多頭注意力機制的分類預測/故障識別。

%%  參數設置
%%  數據反歸一化
T_sim1 = vec2ind(t_sim1);
T_sim2 = vec2ind(t_sim2);% %%  數據排序
% [T_train, index_1] = sort(T_train);
% [T_test , index_2] = sort(T_test );
% 
% T_sim1 = T_sim1(index_1);
% T_sim2 = T_sim2(index_2);%%  性能評價
error1 = sum((T_sim1 == T_train))/M * 100 ;
error2 = sum((T_sim2 == T_test)) /N * 100 ;%%  繪圖
figure()         
legend('真實值', '預測值')
xlabel('預測樣本')
ylabel('預測結果')
string = {'訓練集預測結果對比'; ['準確率=' num2str(error1) '%']};
title(string)
xlim([1, M])
gridfigure
legend('真實值', '預測值')
xlabel('預測樣本')
ylabel('預測結果')
string = {'測試集預測結果對比'; ['準確率=' num2str(error2) '%']};
title(string)
xlim([1, N])
grid%%  混淆矩陣
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';

參考資料

[1] https://blog.csdn.net/kjm13182345320/article/details/129036772?spm=1001.2014.3001.5502
[2] https://blog.csdn.net/kjm13182345320/article/details/128690229