获取完整数据和代码，请直接＋

kang20224

构建了一种融合可学习小波卷积和自适应间隔损失的深度分类框架，首先利用固定参数的Morlet小波核对原始振动信号进行多尺度时频分解，在不对网络增加额外可训练参数的前提下捕捉非平稳故障特征；随后引入同类别特征图随机尺度混合策略以增广小波系数多样性，缓解有限样本下的特征学习困难；最后采用类别感知大间隔softmax损失函数，根据训练集类别分布动态分配分类间隔，使得少数类的类间可分性增强，从而抑制多数类对分类决策边界的支配。

算法步骤如下：

数据预处理：读取原始振动信号文本文件，按固定长度无重叠切片形成样本，对每一样本独自进行Z-score标准化，并按预设标签映射为类别编号。

多尺度小波特征提取：设计Morlet小波核，根据不同尺度构建小波卷积层权重，将一维振动信号通过小波卷积生成多通道小波特征图，实现信号的时频局部化表达。

随机尺度混合增强：在小波特征图层面，对同一批次内属于相同类别的样本随机选择通道，依据二值掩膜对参考样本与同类其他样本的特征图进行加权混合，在不改变标签的前提下丰富特征多样性。

特征抽象：将增强后的小波特征图输入由多个一维卷积层、批量归一化和全局平均池化堆叠而成的深度特征提取器，获得固定维度的特征向量。

类别感知大间隔分类：计算训练集中各类别的样本频数，按“平均样本数/类样本数”为各类分配间隔权重，将其融入softmax损失，对正确类logit减去对应间隔，迫使模型学习更大且更均衡的类间边界。

模型优化：以CALM-softmax损失为目标函数，采用Adam优化器和余弦退火学习率策略更新网络参数，直至收敛。

推理与评估：对测试样本重复小波特征提取与特征抽象步骤（不进行RSM增强），通过线性分类器输出预测标签，使用准确率、宏平均F1分数和混淆矩阵等指标评判模型性能。