对项目感兴趣的可以关注，代码和数据集已经放到压缩包（因为上传内容不能超过100M,所以这里把data数据集放在了百度网盘里，数据下载后，可以按照项目文件夹照片里呈现的样子，跟代码放在同一目录下，然后运行hf.py生成，训练集和测试集。CNN.pth是训练好的模型参数，可以直接被GUI_vedio.py调用），解压缩后无需配置繁琐路径，第三个文件夹（piture）:装载的是经hf.py对data文件

该柑橘病害数据集包含训练集和测试集，分为新鲜柑橘和三种病害类型（溃疡病、黑斑病、绿化病）。训练集中：黑斑病206张、溃疡病201张、新鲜388张、绿化病369张。测试集中：黑斑病138张、溃疡病148张、新鲜164张、绿化病176张。总计训练集1164张，测试集626张图像，可用于柑橘病害分类研究。

摘要：华中科技大学开源HUSTmotormultimodal数据集，包含电机6种健康状态和4种工况下的振动与声学信号。数据采集使用Spectra-Quest实验台，采样频率25.6kHz，每次记录6.4秒的5通道数据（时间+3振动+1声音）。数据集含24个TXT文件，命名反映工况和状态（如"H_5HZ"表示5Hz下的健康电机）。该数据集可用于验证故障诊断算法，相关研究需引用指定

本文基于招商银行数据，对比了三种深度学习模型的性能。实验结果表明：1)基础GRU模型表现良好；2)引入注意力机制(Attention)的GRU模型性能有所提升；3)LSTM结合注意力机制也取得不错效果。研究提供了GRU、LSTM三种网络的完整代码实现（资源链接：GRU,LSTM三种网络.rar-CSDN下载），为相关研究提供了可复现的基准模型和实现方案。

《智能故障诊断系统：基于深度学习的轴承振动分析平台》 该文介绍了一款基于Python开发的轴承故障智能诊断系统，整合了信号分析与深度学习技术。系统具备三大核心模块：1）时域分析模块，支持CWRU轴承数据集，可自动计算11项关键指标并可视化波形；2）故障诊断模块，集成CNN、MLP和CNN-LSTM三种深度学习模型，支持多转速工况下的故障分类与评估；3）使用说明模块，提供完整操作指南。系统采用Tki

本文介绍了基于MSCNN-BiGRU-Attention深度学习模型的轴承故障诊断系统。系统使用江南大学采集的轴承数据集（采样频率50kHz，转速600/800/1000rpm），针对内圈、外圈、滚动体故障及正常状态进行诊断。数据集按转速分类，每个样本包含1024个数据点，采用7:3的训练测试比例。系统提供GUI界面，包含时域/频域分析功能，可计算均值、方差等统计指标。模型准确率通过混淆矩阵、t-

本文介绍了一种基于MSCNN-BiGRU-Attention深度学习模型的轴承故障诊断方法。实验采用CWRU轴承数据集，在四种工况下对十类轴承状态进行分类，并通过添加不同强度高斯白噪声验证模型的抗噪性能。项目包含数据处理、模型训练、可视化分析及GUI诊断界面等功能模块，实验结果显示模型在强噪声环境(-30dB)下仍保持较高诊断准确率。该方法为工业设备故障诊断提供了有效解决方案，尤其适用于噪声干扰严

本文介绍了一个基于深度学习的太阳能光伏发电预测系统，采用五种神经网络模型（LSTM、GRU、CNN-LSTM、CNN-GRU和LSTM_transform）进行预测。系统使用SOLETE数据集，采用第二种特征选择方式，即利用前6行10列数据作为输入特征，预测第7行的第10列数据。实验结果表明，LSTM_transform模型表现最佳，其MAE、MSE和MAPE分别为15.9017%、0.1385%

本文介绍了一个基于深度学习的多模型光伏预测系统。系统采用SOLETE数据集，以1分钟间隔采集数据，采用前6行10列数据作为特征、第7行第10列作为标签的预测方式。实现了LSTM、GRU、CNN-LSTM、CNN-GRU和LSTM_transform五种模型，其中CNN-LSTM表现最优（MAE 16.07%，MSE 0.1367%，MAPE 39.57%），LSTM_transform次之。系统包

本文介绍了利用动态时间规整(DTW)技术预测航空发动机剩余使用寿命(RUL)的方法。基于NASA C-MAPSS数据集，通过Python实现数据处理流程：包括数据归一化、PCA降维、SVR平滑处理，以及DTW相似性计算。实验结果表明，该方法能有效预测发动机RUL，并通过RMSE、MAE等指标评估预测精度，最终输出预测结果和误差分析图表。相比深度学习，传统DTW方法在该任务中展现出良好性能。