本期可谓是宝藏篇！学会本期的思想，帮助你分分钟找到创新点，且不与别人重复！

本期采用MATLAB代码，实现一种“基于格拉姆角场与并行CNN的故障诊断方法”。该方法的具体实现可以参考文献：

[1]李宗源,陈谦,钱倍奇等.基于格拉姆角场与并行CNN的并网逆变器开关管健康诊断[J/OL].电力自动化设备,1-11[2024-02-20].https://doi.org/10.16081/j.epae.202312032.

本期文章除了复现上述原文方法，还在此文献的基础上，改进文中的并行CNN方法，实现了：

并行CNN-BiLSTM故障诊断，并行CNN-Attention故障诊断，和1D-2D-CNN-BiLSTM故障诊断。

当你学会这几种方法之后，就可以通过替换BiLSTM为其他网络，如GRU，BiGRU，LSTM，RNN，PNN，KNN，DBN，SVM，LSSVM，ELM等等机器学习方法，还可以替换CNN为TCN，RF，KNN，RCNN等等！

各种方法组合一下，创新点不就来了！想做的再复杂点的，还可以再融合一下智能优化算法，对网络参数进行优化一下。可谓是真的可以玩出花儿呀！

---

说到这里，请问何为并行呢？

其实很简单，就是同时将数据送入两个或多个网络支路，在不同的网络进行特征提取学习后，再将生成的向量进行拼接。最后一起送到分类器或预测器中。

举例1：并行CNN

这是采用MATLAB搭建的并行CNN网络，也就是上述文献提到的方法。

可以看到，该网络一共有两个支路，支路1输入格拉姆矩阵变换的GASF矩阵，支路2输入格拉姆矩阵变换的GADF矩阵。除了输入不同之外，这两个支路结构是完全相同的，但是该网络可以做到同时输入两种不同的特征，最后再将特征进行融合，一起送入softmax分类器中学习。

举例2：并行CNN-BiLSTM

与例1不同的是，这个网络在支路汇合后，送入了BiLSTM再次进行学习。那么请问两条支路可以不一致吗，比如，在第一条支路加一个LSTM或者Attention可以吗，回答当然也是可以的！这里就不再对此举例了。

举例3：并行CNN-Attention

该网络在支路汇合后，加入了Attention机制，再次提升精准率。

---

那么请问何为1D-2D呢？

其实也很简单，就是把原始的一维序列数据转换为二维矩阵（这里可以采用格拉姆矩阵法），再与一维数据进行合并。一起送入不同的网络支路进行学习，再将生成的向量进行拼接，最后一起送到分类器或预测器中。

举例4：1D_2D_CNN_BiLSTM

这里将采用格拉姆矩阵法生成的二维矩阵送入input1中，采用CNN进行空间特征提取，然后再将原始的一维数据送入vinput中，采用Bilstm进行时间特征的学习，最后再将生成的向量进行拼接，最后一起送到分类器或预测器中。

代码目录如下：

每个子文件目录下还有关于程序使用的详细介绍及对应的参考文献：

代码运行结果展示如下,采用经典的鸢尾花数据：

格拉姆矩阵图像：

并行CNN分类结果：

并行CNN-BiLSTM分类结果：

并行CNN-Attention分类结果：

1D-2D-CNN-BiLSTM分类结果：

代码获取

下方卡片获取