直接运行即可，也可以自行改造

也可以做模型效果对比（衬托你的模型）

1、先运行create_picture(GAF)生成格拉米角场（GAF）图

2、再运行GAF-CNN

1.代码展示

2.凯斯西储大学（CWRU）轴承数据

Gramian Angular Fields（GAF）是一种用于时间序列数据分析的方法，通常用于图像化表示时间序列的相似性。它的核心思想是将时间序列数据转换为 Gram 矩阵，然后计算这个矩阵的角场（angular field）。

GAF 的特点和用途包括：

1. 图像化表示：** GAF 生成的图像可以用于直观地表示时间序列数据的相似性和模式。这有助于人们更好地理解时间序列数据的结构。

2. 保留相似性信息：** GAF 能够保留时间序列数据之间的相似性信息。在图像中，颜色相似的区域对应于时间序列中相似的模式。

3. 特征提取：** GAF 可以作为一种特征提取的方法，将时间序列数据转换为更具信息的表示形式，用于机器学习任务。

4. 时间序列分类：** GAF 在时间序列分类问题中被广泛应用。通过将时间序列转换为图像，可以利用图像处理和计算机视觉领域的技术来处理时间序列分类问题。

总体而言，Gramian Angular Fields 提供了一种直观且有效的方法，将时间序列数据转换为图像形式，从而更容易理解和应用各种数据分析和机器学习技术。

3.运行效果

准确率、损失函数

混淆矩阵

输入数据t-sen可视化

预测结果 t-sen可视化

运行视频效果：B站名 深度学习探索猿

【深度学习，GAF-CNN,python实现滚动轴承故障诊断代码，CWRU轴承数据集，T-SEN可视化,准确率达99】https://www.bilibili.com/video/BV1HT4y1p7hr?vd_source=a236e4169a7007483e63961e3090902f