获取完整数据和代码，请直接加

kang20224

算法是一种基于稀疏优化展开网络的监督式盲解卷积方法，首先建立稀疏盲解卷积模型，并将ISTA迭代求解过程展开为K‑LISTA网络，使卷积核可学习以嵌入故障冲击的先验稀疏性；然后利用仿真数据生成带标签的理想包络谱，以监督方式训练该网络，使其从含噪振动信号中直接映射出增强后的冲击源包络谱；最后对实测轴承信号进行解卷增强，再以包络谱为特征训练简单分类器。提出方法结合了模型驱动的物理先验与数据驱动的学习能力，提升了低信噪比下故障特征的显著度。

算法步骤：

① 分析轴承固有参数，计算理论故障特征频率（内圈、外圈、滚动体）。

② 根据故障机理模型生成大量仿真故障信号，并计算其无噪冲击信号的包络谱作为理想标签。

③ 构建K‑LISTA网络：将ISTA迭代中的矩阵乘法替换为可学习的一维卷积核，设网络层数T、卷积核长度及软阈值参数。

④ 用仿真信号及标签监督训练K‑LISTA，最小化网络输出包络谱与理想包络谱之间的MSE损失。

⑤ 对实测轴承振动信号（西储大学数据）进行帧分割与归一化，用训练好的K‑LISTA网络逐帧解卷增强，得到时域冲击序列。

⑥ 对增强后的信号计算包络谱，作为特征向量；将特征向量与故障标签划分训练集/测试集。

⑦ 构建简单的全连接分类器，用增强特征训练分类器，最终在测试集上评估故障分类准确率。