目录
引言
注意熵（Attention Entropy，翻译可能不准确哈，请谅解）于2023年发表在顶级期刊 IEEE trans系列-IEEE Transactions on Affective Computing（影响因子：11.2）。注意熵首次提出并运用于心跳间隔时间序列，从利用熵值表征不同的状态。而实际上，心跳信号的本质是时间序列，那么注意熵可用于其他时间序列中，如：电能质量数据、振动数据、风速、功率、声音、温度、交通、水流、地震波等等，您能想到的时间序列皆有可能。目前，注意熵是一个无参数的方法，适应性很强，基于注意熵的研究还不多。
基于熵值理论的分析方法可以不经过数据的分解或变换，直接度量数据的复杂度，可完成不同时间序列的分类。解决这类问题主要有两步：1.利用熵的方法从信号中提取信息，即信号的熵值为故障特征；2.基于提取的熵值，利用机器学习方法作为分类器进行识别。
本期推出注意熵（暂命名）及其5种多尺度熵结合7种机器学习方法进行时序分类。以时序分类种的机械设备的状态识别/故障诊断为例。
注意熵及其5种多尺度(可能没有参考文献，具有一定的首创性)。5种多尺度的理论知识在中、英文期刊都有很多，可以参考其他论文，本期不在赘述。
注意熵（Attention Entropy），多尺度注意熵（Multiscale Attention Entropy），层次注意熵（Hierarchical Attention Entropy），复合多尺度注意熵（composite multiscale Attention entropy），精细复合多尺度注意熵（refined composite multiscale Attention entropy），时移多尺度注意熵（time-shift multiscale Attention entropy）
7种机器学习方法：
极限学习机（Extreme Learning Machine，ELM）支持向量机（Support Vector Machine, SVM）决策树（Decision Tree，DT）长短时记忆网络 LSTM双向长短时记忆网络 BiLSTM门控循环网络 GRU概率神经网络 PNN
暂拟题目：xxx是设备/对象的名字
1. 基于注意熵的xxx的状态识别/故障诊断
2. 基于多尺度注意熵的xxx的状态识别/故障诊断
3. 基于复合多尺度注意熵的xxx的状态识别/故障诊断
4. 基于精细复合多尺度注意熵的xxx的状态识别/故障诊断
5. 基于时移多尺度注意熵的xxx的状态识别/故障诊断
6. 基于层次注意熵的xxx的状态识别/故障诊断
参考文献：
-
J. Yang, G. I. Choudhary, S. Rahardja and P. Fränti, "Classification of Interbeat Interval Time-Series Using Attention Entropy," in IEEE Transactions on Affective Computing, vol. 14, no. 1, pp. 321-330, 1 Jan.-March 2023, doi: 10.1109/TAFFC.2020.3031004.
-
陈飞,王斌,刘婷,等.基于时移多尺度注意熵和随机森林的水电机组故障诊断[J].水利学报,2022,53(03):358-368+378.DOI:10.13243/j.cnki.slxb.20210941.
02. 实操
数据集
本文使用故障识别和诊断任务中经典的凯斯西储大学CWRU数据集。随机选择了5类状态（当然可以加入更多的状态），选用DE端的振动数据，暂且命名为正常，故障1，故障2，故障3，故障4。设置每个样本长度为1024，每类状态共100个样本，总样本大小为：500*1024。即样本数*样本长度。
样本分割设置了重叠个数，可以随意选择重叠个数进行样本划分。非重叠即为重叠个数为0的情况，具体的原理如下：
非重叠：
重叠：
特征提取
计算每个样本的熵值（以上6种熵可随意切换），形成500*n的特征空间，将特征输入到后续的分类器中。对于散度熵而言，n=1，对于多尺度熵而言，n=你设置的时间尺度。
分类器
将上述特征空间以一定的比例，划分了训练集、测试集，可非常方便地输入到任何分类器中。
暂时集成了7种常用的分类器（可随意切换，也可自行添加其他分类器）：
-
极限学习机（Extreme Learning Machine，ELM）
-
支持向量机（Support Vector Machine, SVM）
-
决策树（Decision Tree，DT）
-
长短时记忆网络 LSTM
-
双向长短时记忆网络 BiLSTM
-
门控循环网络 GRU
-
概率神经网络 PNN
为了消除随机性带来的影响，使结果更具说服力，模型运行了多次，每次运行都随机选择新的训练集和测试集，以平均结果作为最后的结果。
诊断流程
故障识别、诊断流程图大致如下：
多尺度注意熵MAttEn-决策树DT
结果展示：
不同状态对比
混淆矩阵及分类结果图
特征值 和 多次运行结果保存在mat中。可以方便使用matlab，python调用和查看这里考虑快速验证代码和算法，仅运行了2次，可根据实际需要修改。可以看到各状态的特征类间分离明显，类内高度聚合。
友情提示
1.理论上，该代码可适用于所有时间序列分类数据集，仅需将数据格式转换成：样本数N x 特征个数M。因此，可以浅显的理解：多分类问题实质是一个数据格式转换过程；
2.理论上，该代码可替换的部分只有：数据加载和参数设置。好处是：代码修改量极少，复用率高；
3.如有matlab基础语法和代码bug问题，请多看资料，百度或者GPT解决；
4.如有其他专业疑问，请多阅读相关文献。
03. Matlab代码获取
声明：
1.对专业问题的理解受限于个人学术能力，必然有未尽之处，如有疑义请随时交流；
2.代码健壮度、效率和精准度等受限于个人编程能力，如有问题请随时交流；
3.文中有一些内容引自网络，会注明出处或引为参考文献，难免有未尽之处，如有不妥，请随时联系删改。
Matlab代码下载
微信搜索并关注-优化算法侠，或扫描下方二维码关注，以算法名字搜索历史文章即可下载。
【时序分类|源自顶刊】注意熵Attention Entropy及其5种多尺度熵+7种分类器的状态识别/故障诊断-Matlab代码
点击链接跳转：
cec2022测试函使用教程及matlab代码免费下载
绘制cec2017/018/2019/2020/2021/2022函数的三维图像教程，SO EASY！
215种群智能优化算法python库
求解cec测试函数-matlab
解决12工程设计优化问题-matlab
求解11种cec测试函数-python
用于改进所有优化算法：21种混沌映射方法-混沌初始化（附matlab代码）
沙场大点兵：24种信号分解方法（附matlab代码）
沙场大点兵：27种一维数据转换成二维图像的方法-matlab代码沙场大点兵：27种一维数据转换成二维图像的方法-matlab代码
https://mp.weixin.qq.com/s?__biz=MzkxMDQ5MDk4Ng==&mid=2247486260&idx=1&sn=81b1970cb89364c0289ccdfb403e5388&chksm=c12be731f65c6e273a85456326b503b7f35d9f035405050932ff1926e0b1bfa8076b1bc2d1f2&token=25423484&lang=zh_CN#rd
461
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
