获取完整数据和代码，请直接＋

kang20224

提出算法以可训练的Morlet小波核嵌入卷积神经网络为基础，构建了一个同时完成故障分类与信号重构的双任务学习框架。小波嵌入层通过参数化的尺度、中心频率与带宽自动捕捉振动信号中的冲击与瞬态成分，赋予前端特征提取明确的时频物理意义；重构任务则约束中间表示保留信号的全局结构信息，从而在仅有分类标签的监督下增强特征学习的鲁棒性与泛化性，最终实现高精度的滚动轴承故障诊断。

算法步骤如下：

① 数据预处理：对各工况原始振动信号逐文件进行标准化，并按固定长度与重叠率进行滑动窗口切片，生成样本‑标签对；

② 网络构建：设计包含小波嵌入卷积层、两层标准卷积的提取器，全局平均池化后接全连接层的分类器，以及由转置卷积和小波嵌入转置卷积构成的信号重构器；

③ 联合训练：前向计算分类交叉熵损失和重构均方误差损失，以加权和作为总损失，利用Adam优化器反向更新全部参数（含可训练的小波参数）；

④ 评估与保存：每轮训练后在测试集上评估准确率与损失，保留最优模型；

⑤ 可视化分析：绘制训练/测试损失与准确率曲线、混淆矩阵、t‑SNE特征分布图、原始与重构信号对比图，并可视化学习到的小波核波形与参数。