此代码已经继续加入Python电能质量信号分类模型代码全家桶：Python电能质量信号分类模型代码全家桶 (mbd.pub)
全家桶包括以下内容：
1.Python-电能质量扰动信号数据集生成与分类 (mbd.pub)
2.电能质量扰信号分类：Pytorch-LSTM一维信号分类 (mbd.pub)
3.Pytorch-CNN电能质量扰信号分类：一维信号分类 (mbd.pub)
4.Pytorch-Transformer电能质量扰信号分类：一维信号分类 (mbd.pub)
5.CNN-BiLSTM电能质量扰信号分类：一维信号分类 (mbd.pub)
6.CNN-Transformer电能质量扰信号分类：一维信号分类 (mbd.pub)
7.Python电能质量扰动信号分类(七)基于CNN-TCN-Attention的扰动信号识别模型 (mbd.pub)
包括 完整的电能质量扰信号数据集， 以及已经生成制作好的十分类扰动信号数据集、分类数据和标签集，对应代码均可以运行
包括数据预处理的代码，和CNN-Transformer分类模型代码
环境：python 3.9
任何环境安装或者代码问题，请联系作者沟通交流，对于购买者，作者免费解决后续问题，关注微信公众号[建模先锋]，联系作者；
Python电能质量扰动信号分类(五)基于CNN-Transformer的一维信号分类模型
引言
本文基于Python仿真的电能质量扰动信号，先经过数据预处理进行数据集的制作和加载，然后通过Pytorch实现CNN-Transformer模型对扰动信号的分类。
部分扰动信号类型波形图如下所示：
1 数据集制作与加载
1.1 导入数据
在参考IEEE Std1159-2019电能质量检测标准与相关文献的基础上构建了扰动信号的模型，生成包括正常信号在内的10中单一信号和多种复合扰动信号。参考之前的文章，进行扰动信号10分类的预处理：
第一步，按照公式模型生成单一信号
单一扰动信号可视化：
第二步，导入十分类数据
import pandas as pd
import numpy as np
# 样本时长0.2s 样本步长1024 每个信号生成500个样本 噪声0DB
window_step = 1024
samples = 500
noise = 0
split_rate = [0.7, 0.2, 0.1] # 训练集、验证集、测试集划分比例
# 读取已处理的 CSV 文件
dataframe_10c = pd.read_csv('PDQ_10c_Clasiffy_data.csv' )
dataframe_10c.shape
1.2 制作数据集
第一步，定义制作数据集函数
第二步，制作数据集与分类标签
2 CNN-Transformer分类模型和超参数选取
2.1定义CNN-Transformer分类模型
注意：输入数据维度为[64, 1, 1024], 先送入CNN网络进行1d的卷积池化，然后再把卷积池化的空间特征送入Transformer进行信号特征增强，最终送入全连接层和softmax进行分类。
2.2 设置参数，训练模型
100个epoch，准确率将近100%，CNN-Transformer模型分类效果良好，分类准确率高，性能优越，适当调整模型参数，可以进一步提高分类准确率。
注意调整参数：
- 可以适当增加 CNN层数和隐藏层维度数，微调学习率；
- 增加Transformer编码器层数和维度数，增加更多的 epoch （注意防止过拟合）
- 可以改变一维信号堆叠的形状（设置合适的长度和维度）
3 模型评估
3.1 准确率、精确率、召回率、F1 Score
3.2 十分类混淆矩阵：
