<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[淘个代码]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/woaipythonmeme</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; woaipythonmeme]]></copyright><item><title><![CDATA[一区预定！超高创新模型DCRNODE实现航空发动机剩余寿命预测]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/166254699</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/166254699</guid><author>woaipythonmeme</author><pubDate>Mon, 21 Sep 2026 21:02:49 +0800</pubDate><description><![CDATA[C-MAPSS 数据集模拟的是涡扇发动机在不同工况下的退化过程。每一台发动机都有自己的运行周期cycle，并记录了多个传感器信号。随着运行时间增加，发动机逐渐退化，最终失效。C-MAPSS数据集可视化与预处理：MATLAB完整代码解析，发动机寿命预测必学数据集！]]></description><category></category></item><item><title><![CDATA[高创新模型MS-TCN-TiDE，短期负荷预测，python代码]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/165353350</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/165353350</guid><author>woaipythonmeme</author><pubDate>Mon, 14 Sep 2026 19:49:12 +0800</pubDate><description><![CDATA[本项目围绕小时级电力负荷预测，搭建了一套从数据分析、模型训练、基线对比到结果导出的完整流程。项目最终实现的核心模型是，目标是：在已知历史负荷和未来日历信息的条件下，一次性预测未来 168 小时，也就是未来一周的逐小时负荷。（注：不是滚动预测，而是直接多步预测168小时的负荷）项目做了完整对比实验，对比模型包括TCNTiDEPatchTSTInformer和，并且绘制了非常精美的实验结果对比图。]]></description><category></category></item><item><title><![CDATA[高创新原创代码：KAN-TiDE 刀具磨损预测，基于PHM2010数据集，Python代码]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164209154</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164209154</guid><author>woaipythonmeme</author><pubDate>Mon, 31 Aug 2026 11:03:23 +0800</pubDate><description><![CDATA[本项目基于 PHM2010 刀具磨损公开数据集，使用多通道传感器信号预测刀具磨损值。项目提出了一个高创新原创网络。在原始 TiDE 回归框架的基础上引入 KAN 非线性建模思想，用来增强模型对刀具退化过程的表达能力。TiDE 是 Google Research 于 2023 年提出，可用于时间序列预测的深度学习模型，出自论文：《Long‑term Forecasting with TiDE: Time‑series Dense Encoder》，模型的推理速度块，加了线性残差思路解决了传统MLP的短板。]]></description><category></category></item><item><title><![CDATA[基于MOPGA-NSGA-II 的电动车多目标路径优化研究（考虑路况天气与充电约束）（MATLAB 实现）]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056769</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056769</guid><author>woaipythonmeme</author><pubDate>Wed, 26 Aug 2026 09:06:30 +0800</pubDate><description><![CDATA[电动车路径规划和传统车辆不一样——不仅要考虑距离，还要考虑电量够不够、中途在哪充电、充电排多久的队。更关键的是，，三个目标之间存在天然的矛盾。目前关于电动车充电的路径规划相关研究并没有烂大街，选择这个研究方向或许是个不错的选择，投稿也相对容易一些。今天分享一个完整的 MATLAB 项目：用来求解这个问题，找出一组 Pareto 最优路径，供决策者根据实际需求选择。]]></description><category></category></item><item><title><![CDATA[MATLAB代码实现DAN、DANN、CDAN跨工况无监督域故障诊断，两种经典数据集作为验证！]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056680</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056680</guid><author>woaipythonmeme</author><pubDate>Tue, 25 Aug 2026 15:01:17 +0800</pubDate><description><![CDATA[CWRU数据集是故障诊断领域最经典的基准数据集之一，来自美国Case Western Reserve University的轴承故障实验台。采样频率：12kHz故障类型：正常、内圈故障、外圈故障、滚动体故障，包含不同严重程度（0.007/0.014/0.021英寸），共10个类别工况条件：4种电机转速（1797/1772/1750/1730 rpm），对应不同负载数据规模：每类每种转速设置200个样本，每个样本长度2048点。]]></description><category></category></item><item><title><![CDATA[基于多尺度1DCNN-Mamba2的轴承故障诊断，python代码]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056636</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056636</guid><author>woaipythonmeme</author><pubDate>Tue, 25 Aug 2026 14:59:31 +0800</pubDate><description><![CDATA[本期推文提出了一种基于与相结合的轴承故障智能诊断方法。通过对振动信号进行FFT频谱变换，利用多尺度卷积捕获不同频带的故障特征，再由Mamba2建模频谱序列中的长程依赖关系，实现对多种轴承故障类型的高精度自动识别。本期推文结合了两种案例数据，分别是西储大学轴承数据和江南大学轴承数据，代码中可以自由切换数据。]]></description><category></category></item><item><title><![CDATA[扩散模型+VIT实现极端小样本故障诊断]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056581</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056581</guid><author>woaipythonmeme</author><pubDate>Tue, 25 Aug 2026 14:57:47 +0800</pubDate><description><![CDATA[特性说明完整对比实验No Aug / VAE / WGAN-GP / DDPM 四种方法全面 PK多维度评估准确率 + FID + IS + 混淆矩阵 + 雷达图极端小样本每类仅 5 个样本也能有效增强多转速支持支持 1797/1772/1750/1730 四种工况一键切换全流程可视化13 + 张高质量实验图表，论文 / 报告直接可用配置友好所有参数集中管理，改一行代码切换实验代码目录：在readme中有详细的代码使用教程，不用担心不会使用！小白也能轻松运行。]]></description><category></category></item><item><title><![CDATA[SMETimes：用小语言模型做时间序列预测]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056535</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056535</guid><author>woaipythonmeme</author><pubDate>Tue, 25 Aug 2026 14:56:42 +0800</pubDate><description><![CDATA[时间序列预测领域，正在经历一场不亚于当年 "GPT 时刻" 的范式转移 —— 大语言模型正在以前所未有的速度杀入这个传统地盘。将大模型引入时序预测，最经典的三个代表作你不可错过：• 第一篇代表作： NeurIPS 2023 Spotlight 的FPT（One Fits All）—— 直接把 GPT-2 的预训练 block 冻住，加个轻量适配器，一个模型通吃预测、分类、异常检测等多种时序任务，MSE 比 FEDformer 直接降了 18.7%。]]></description><category></category></item><item><title><![CDATA[超高创新模型！TF-SAX-Llama 轴承故障诊断]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056468</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056468</guid><author>woaipythonmeme</author><pubDate>Tue, 25 Aug 2026 14:55:16 +0800</pubDate><description><![CDATA[这不是一个简单把 Llama 套到轴承数据上的项目，而是把机械振动信号先转换成时频双域符号语言，再利用 Llama 学习故障符号组合规律。核心点包括：方法新：SAX 符号化 + Llama 故障诊断；结构清晰：Time-SAX、Freq-SAX、Physical Symbols 三分支；实验完整：CWRU 与江南大学两个数据集；结果直观：自动输出混淆矩阵、训练曲线、分类报告；训练轻量：LoRA 微调，训练参数不到 0.1%；可解释：支持 Symbol Masking Importance；]]></description><category></category></item><item><title><![CDATA[基于 SVMD-DG-MSTFormer 的轴承剩余寿命预测 +SHAP分析]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056300</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056300</guid><author>woaipythonmeme</author><pubDate>Tue, 25 Aug 2026 14:50:23 +0800</pubDate><description><![CDATA[本项目完成了一条完整的轴承 RUL 预测流程：从 PHM2012 原始振动信号中读取轴承全寿命数据。提取 33 维时域和频域特征。使用 SVMD 对特征退化趋势进行去噪。构建滑动窗口序列样本。使用 DG-MSTFormer 进行寿命预测。通过多模型留一法实验验证泛化能力。使用 SHAP 分析模型预测依据。与目前主流模型进行对比代码目录：以上展示的所有结果图片，此代码均可实现！获取此代码方式：关注 ：g~z~h~  《淘个代码》]]></description><category></category></item><item><title><![CDATA[小白拿到负荷预测数据，第一步到底该做什么？]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056201</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056201</guid><author>woaipythonmeme</author><pubDate>Tue, 25 Aug 2026 14:47:45 +0800</pubDate><description><![CDATA[很多人一拿到负荷预测数据，就想马上上 LSTM、GRU、Transformer。但真实项目里，第一步不是训练模型，而是先把数据看明白。如果数据里有缺失、重复时间戳、异常负荷点，或者你不小心把未来信息放进了特征里，那么模型再高级，结果也可能是假的。这篇文章就用一份小时级负荷预测数据，带你从零开始做一次完整的数据预处理和分析。数据来源：https://www.kaggle.com/datasets/saurabhshahane/electricity-load-forecasting本文适合：拿到一份时间序列数]]></description><category></category></item><item><title><![CDATA[基于注意力增强 DCGAN 的少样本钢材表面缺陷识别 ，MATLAB代码]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056096</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164056096</guid><author>woaipythonmeme</author><pubDate>Tue, 25 Aug 2026 14:45:08 +0800</pubDate><description><![CDATA[在钢材生产过程中，裂纹、划痕、夹杂和点蚀等表面缺陷会影响产品外观、加工性能和最终质量。利用深度学习识别钢材表面缺陷已经取得了较好的效果，但在实际工业场景中，缺陷样本通常比较少，部分缺陷甚至很难持续采集。样本数量不足会导致识别模型容易过拟合，对新图像的判断能力也会下降。本期推文实现了一个基于注意力增强 DCGAN 的少样本钢材表面缺陷识别项目。]]></description><category></category></item><item><title><![CDATA[一区直接写吧，高创新模型KAN-MaxViT 的齿轮箱故障诊断]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164055405</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/164055405</guid><author>woaipythonmeme</author><pubDate>Tue, 25 Aug 2026 14:28:06 +0800</pubDate><description><![CDATA[KAN 的引入进一步增强了模型对复杂非线性特征的表达能力。传统神经网络中的前馈模块通常使用线性层加激活函数来完成特征映射，而 KAN 使用可学习的样条基函数表示非线性关系，使网络在特征变换过程中具备更灵活的函数拟合能力。模型训练完成后，项目会保存最优权重文件，并输出准确率、精确率、召回率、F1 值、混淆矩阵、训练曲线、分类报告和预测结果表格，便于后续分析和展示。在README里边，清晰的说明了项目使用方法，在”KAN-MaxViT模型详细介绍.docx“里边清晰的介绍了KAN-MaxViT模型的构建方式。]]></description><category></category></item><item><title><![CDATA[10种主流深度学习模型+SHAP分析，TimeMixer效果碾压！电价预测python代码]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/161466246</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/161466246</guid><author>woaipythonmeme</author><pubDate>Wed, 27 May 2026 09:19:00 +0800</pubDate><description><![CDATA[该数据集包含西班牙 4 年的电力消耗、发电、价格和天气数据。：包含 2015—2018 年西班牙电力市场的小时级数据（约 35000 条），涵盖各类发电量（核电、燃气、水电、风电等）、负荷、日前价格预测及实际成交价格。：核电提供稳定的基荷，燃气和燃煤发电随负荷波动调节，可再生能源（风电、光伏）的出力增加通常会压低电价。，其"分解-分别混合-重组"的设计思路非常适合电力价格这种具有明显趋势和周期成分的时序数据。：价格在早高峰（8-10 时）和晚高峰（18-21 时）明显走高，凌晨 3-5 时最低。]]></description><category></category></item><item><title><![CDATA[50种近五年主流深度学习模型×10种时频方法，故障诊断、分类一键跑通！]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/161435158</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/161435158</guid><author>woaipythonmeme</author><pubDate>Tue, 26 May 2026 09:42:00 +0800</pubDate><description><![CDATA[采用 训练集60% / 验证集20% / 测试集20% 的三分策略，分层采样保证每个类别比例一致。批量训练完成后，还会自动汇总所有组合的指标（Val Acc、Test Acc、Precision、Recall、F1），并保存为CSV文件，方便对比分析。本项目就是把以上50种类型的模型全部整合到了一起，你可以方便的学习到每个模型的构建方式，并且将该模型用于故障诊断或者分类模型！：50种模型均为手写版，不依赖 torchvision 预训练模型，适配 64×64 小尺寸输入，训练速度快，适合学术实验。]]></description><category></category></item><item><title><![CDATA[创新满满！基于小波包阈值去噪-BiMamba-KAN的轴承剩余寿命预测+SHAP分析]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/161405226</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/161405226</guid><author>woaipythonmeme</author><pubDate>Mon, 25 May 2026 09:10:00 +0800</pubDate><description><![CDATA[可以看到基于小波包阈值去噪-BiMamba-KAN模型在Bearing1_3轴承的测试上，竟然达到了97.8%的R2拟合率，并且RMSE直接达到了0.04左右，要知道很多顶级SCI期刊的效果也就是RMSE也就是0.5左右。BiMamba-KAN 采用双向 Mamba 选择性状态空间模型进行时序建模，结合跨特征混合层捕获特征间依赖，并用最近超火的KAN网络(Kolmogorov-Arnold Network)作为预测头，实现高精度寿命预测。总之，你可以看到，本期推出的这个项目已经做好了所有的对比实验！]]></description><category></category></item><item><title><![CDATA[还在找创新点？来试试扩散模型+VIT实现小样本故障诊断]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/161328159</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/161328159</guid><author>woaipythonmeme</author><pubDate>Fri, 22 May 2026 09:03:00 +0800</pubDate><description><![CDATA[成为了生成模型领域的新标杆 —— 仅 2023-2024 年，NeurIPS、ICML 等顶会中，扩散模型相关的论文数量就暴涨了 300%，覆盖了从图像生成到科学计算、从医疗影像到工业 AI 的几乎所有领域；更重要的是，它完美解决了之前生成模型的老痛点：GAN 训练不稳定、容易模式崩塌，VAE 生成的样本模糊不清，而 DDPM 用 “相比 GAN 的训练不稳定和 VAE 的生成模糊，DDPM 在小样本场景下展现了压倒性的优势。第一行是真实样本，后面依次是 DDPM、GAN、VAE 的生成结果。]]></description><category></category></item><item><title><![CDATA[痛快！一个切换搞定100种时间序列预测算法]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/161266956</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/161266956</guid><author>woaipythonmeme</author><pubDate>Wed, 20 May 2026 09:09:35 +0800</pubDate><description><![CDATA[CNN_Transformer、LSTM_Transformer、TCN_Transformer、BiTCN_Transformer、Transformer_GRU、TCN_Attention_GRU、CNN_SE_BiLSTM、ECA_CNN_Transformer等。BP、CART、随机森林、GBDT、XGBoost、SVR、RBF、ELM、KNN、AdaBoost、ExtraTrees、LightGBM、CatBoost、Ridge、Lasso、ElasticNet等。（取哪些列作为输入特征）。]]></description><category></category></item><item><title><![CDATA[发文秘籍！跨工况无监督域故障诊断，MATLAB代码实现]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/161236720</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/161236720</guid><author>woaipythonmeme</author><pubDate>Tue, 19 May 2026 09:15:00 +0800</pubDate><description><![CDATA[比如在1797转/分钟下采集的数据训练出的模型，直接用于诊断1730转/分钟下的信号，准确率可能大幅下降。除特征信息外，还将分类器的预测结果作为条件信息融入域判别过程，使域对齐在考虑类别结构的前提下进行，从而避免粗粒度的全局对齐。每个任务中，源域数据有标签用于训练，目标域数据无标签仅用于测试评估。无需目标工况的任何标注数据，仅利用源工况的标注数据和目标工况的无标签数据，即可训练出对目标工况有效的诊断模型……：对抗训练的不稳定性在部分困难任务（如速差较大的迁移）中有所体现，个别任务准确率相对偏低。]]></description><category></category></item><item><title><![CDATA[2026年一区优化算法——状态转移算法 ，MATLAB代码免费分享]]></title><link>https://blog.youkuaiyun.com/woaipythonmeme/article/details/161205360</link><guid>https://blog.youkuaiyun.com/woaipythonmeme/article/details/161205360</guid><author>woaipythonmeme</author><pubDate>Mon, 18 May 2026 09:21:28 +0800</pubDate><description><![CDATA[这种被称为“知识构建者”的学习范式，不仅具备系统性知识获取能力，更拥有构建全局性、最优性与可控性的内在逻辑——它能够通过扩展变换实现全局探索，利用旋转变换增强局部寻优，并借助平移与轴射变换加速收敛进程。科研人员正是借鉴这一科学的学习机制，提出了STA算法，模拟了状态空间的三大变换策略：全局扩展搜索、局部旋转精炼，以及启发式平移加速。在STA中，平移变换作为一种启发式搜索机制，用于生成更多潜在解，并且能够沿前一最优解至当前最优解的连线方向进行搜索。，从而能够实现在整个空间上的搜索，如下图所示。]]></description><category></category></item></channel></rss>