未发表，三大创新！OCSSA-VMD-Transformer-Adaboost特征提取+编码器+集成学习轴承故障诊断
总体思路
先用OCSSA-VMD提取西储大学轴承诊断数据特征，进而基于Transformer-Adaboost进行故障诊断。其中OCSSA-VMD为减融合鱼鹰和柯西变异的麻雀优化算法优化变分模态分解参数，选取四种适应度函数进行优化，以此确定VMD的最佳k和α参数。四种适应度函数分别是：最小包络熵，最小样本熵，最小信息熵，最小排列熵。代码中可以一键切换
基本介绍
1.Matlab实现OCSSA-VMD-Transformer-Adaboost特征提取+编码器+集成学习轴承故障诊断，运行环境Matlab2023b及以上。
2.数据为西储大学轴承诊断数据，可在附件下载数据和程序内容。
3.图很多，包括分类效果图，混淆矩阵图。
4.按照步骤依次运行main系列主程序即可一键出图，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。
6.输入多个特征，分10类，分类效果如下。
注：程序和数据放在一个文件夹
部分源码
%% 构建Transformer分类模型
numClasses = 10; % 分类类别数（10类）
numChannels = size(input,2); % 输入特征维度
maxPosition = 64; % 位置编码的最大位置数
numHeads = 8; % 多头注意力机制的头数
numKeyChannels = numHeads*8; % 键/查询向量的通道数
% 定义Transformer网络层
layers = [
sequenceInputLayer(numChannels,Name=“input”) % 序列输入层
positionEmbeddingLayer(numChannels,maxPosition,Name=“pos-emb”); % 位置编码层
additionLayer(2, Name=“add”) % 加法层（融合特征和位置编码）
selfAttentionLayer(numHeads,numKeyChannels,‘AttentionMask’,‘causal’) % 带掩码的自注意力层
selfAttentionLayer(numHeads,numKeyChannels) % 标准自注意力层
fullyConnectedLayer(30) % 全连接层（特征降维）
indexing1dLayer(“last”) % 仅取序列最后一个位置的输出（分类任务）
fullyConnectedLayer(numClasses) % 分类全连接层
softmaxLayer(‘Name’,‘softmax’) % Softmax激活层
classificationLayer(‘name’,‘output’)]; % 分类输出层
% 构建层连接关系
lgraph = layerGraph(layers);
lgraph = connectLayers(lgraph,“input”,“add/in2”); % 连接输入到加法层
完整源码OCSSA-VMD-Transformer-Adaboost特征提取+编码器+集成学习轴承故障诊断
往期回顾
未发表！OCSSA-VMD-Transformer-SVM特征提取+组合模型轴承故障诊断
未发表！OCSSA-VMD-Transformer-GRU特征提取+组合模型轴承故障诊断
未发表！OCSSA-VMD-Transformer-BiLSTM特征提取+组合模型轴承故障诊断
未发表！OCSSA-VMD-Transformer-LSTM特征提取+组合模型轴承故障诊断
未发表，高水平论文首选！特征提取+编码器！OCSSA-VMD-Transformer轴承故障诊断
一种基于CEEMDAN-小波阈值联合降噪-快速谱峭度(FSK)/基尼谱Ginigram/Autogram的故障诊断 Matlab
分类预测/故障诊断发文必备！Matlab分类预测大合集，已更新共计52个模型，新增5个故障诊断分类模型！
AOA-VMD-GRU故障诊断分类预测，阿基米德算法优化变分模态分解结合门控循环单元，Matlab代码
四重创新！格拉姆角场+卷积网络+麻雀算法+最小二乘支持向量机！GAF-CNN-SSA-LSSVM故障诊断（Matlab）
经典组合！LSTM-SVM组合模型多特征分类预测/故障诊断（Matlab代码实现）
未发表，高水平论文首选！特征提取+图卷积神经网络！SABO-VMD-GCN轴承故障诊断