期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
长短时记忆网络在电机故障诊断中的应用研究 被引量：15
1
作者 王惠中 贺珂珂 房理想 《自动化仪表》 CAS 2019年第1期6-10,共5页
针对电机故障诊断采用传统神经网络存在的梯度消失等问题,提出了一种长短时记忆(LSTM)神经网络与Softmax多分类器结合的诊断方法。首先,利用LSTM神经网络在提取时间序列特征方面的良好特性,通过LSTM神经网络与Softmax多分类器构建故障... 针对电机故障诊断采用传统神经网络存在的梯度消失等问题,提出了一种长短时记忆(LSTM)神经网络与Softmax多分类器结合的诊断方法。首先,利用LSTM神经网络在提取时间序列特征方面的良好特性,通过LSTM神经网络与Softmax多分类器构建故障诊断模型。然后,通过Tensorflow学习框架有效提取故障数据特征,并将具有强泛化能力和鲁棒性的Softmax多分类器对其分类,从而诊断出电机内圈、外圈和滚珠三种常见故障,提高诊断结果的准确率,改善传统方法存在的不足。最后,仿真验证所提方法的有效性与可行性。与传统神经网络和堆栈稀疏自编码器分类结果相比,采用LSTM神经网络诊断方法其准确率达到98. 3%,在电机故障诊断中具有更好的诊断效果,且对提高故障诊断的准确率有一定的作用。 展开更多
关键词 电机故障诊断 梯度消失 传统神经网络 长短时记忆神经网络 堆栈稀疏自编码器 Softmax多分类器 泛化能力 时间序列
下载PDF
加权KNN的图文数据融合分类 被引量：10
2
作者 康丽萍 孙显 许光銮 《中国图象图形学报》 CSCD 北大核心 2016年第7期854-864,共11页
目的图文数据在不同应用场景下的最佳分类方法各不相同,而现有语义级融合算法大多适用于图文数据分类方法相同的情况,若将其应用于不同分类方法时由于分类决策基准不统一导致分类结果不理想,大幅降低了融合分类性能。针对这一问题,提出... 目的图文数据在不同应用场景下的最佳分类方法各不相同,而现有语义级融合算法大多适用于图文数据分类方法相同的情况,若将其应用于不同分类方法时由于分类决策基准不统一导致分类结果不理想,大幅降低了融合分类性能。针对这一问题,提出基于加权KNN的融合分类方法。方法首先,分别利用softmax多分类器和多分类支持向量机(SVM)实现图像和文本分类,同时利用训练数据集各类别分类精确度加权后的图像和文本正确判别实例的分类决策值分别构建图像和文本KNN模型;再分别利用其对测试实例的图像和文本分类决策值进行预测,通过最邻近k个实例属于各类别的数目确定测试实例的分类概率,统一图像和文本的分类决策基准;最后利用训练数据集中图像和文本分类正确的数目确定测试实例中图像和文本分类概率的融合系数,实现统一分类决策基准下的图文数据融合。结果在Attribute Discovery数据集的图像文本对上进行实验,并与基准方法进行比较,实验结果表明,本文融合算法的分类精确度高于图像和文本各自的分类精确度,且平均分类精确度相比基准方法提高了4.45%;此外,本文算法对图文信息的平均整合能力相比基准方法提高了4.19%。结论本文算法将图像和文本不同分类方法的分类决策基准统一化,实现了图文数据的有效融合,具有较强的信息整合能力和较好的融合分类性能。 展开更多
关键词 图文数据 softmax多分类器 多分类支持向量机 加权KNN 融合分类方法
原文传递
基于深度学习的电机故障诊断
3
作者 王晓兰 马泽娟 王惠中 《计算机与数字工程》 2024年第5期1536-1540,共5页
故障诊断在保证电机的稳定运行中占据着非常重要的地位,因此,故障诊断在当前的研究中是一个热点。该研究利用短时傅里叶变换把一维的振动信号转换成二维的时频图,进而解决电机轴承的振动信号的非线性和不稳定性问题,并且作为卷积神经网... 故障诊断在保证电机的稳定运行中占据着非常重要的地位,因此,故障诊断在当前的研究中是一个热点。该研究利用短时傅里叶变换把一维的振动信号转换成二维的时频图,进而解决电机轴承的振动信号的非线性和不稳定性问题,并且作为卷积神经网络的输入,通过对故障特征信号的直接提取,来形成样本数据集,通过卷积神经网络与softmax多分类器来建立故障诊断模型,在Python中验证该算法优化的准确性,证明了该算法可以提高电机故障诊断的准确率。 展开更多
关键词 卷积神经网络 softmax多分类器 故障诊断 短时傅里叶变换
下载PDF
基于卷积自编码网络的故障电弧多分类识别方法
4
作者 李奎 张丹 王尧 《河南理工大学学报（自然科学版）》 CAS 北大核心 2022年第4期107-116,共10页
针对非线性负载条件下线路正常工作电流波形与故障电弧波形具有相似特征,容易引起故障电弧保护装置误动作的问题,提出一种基于卷积自编码网络的故障电弧多分类识别方法。采用卷积自动编码器进行故障电弧特征提取,优化设计卷积自动编码... 针对非线性负载条件下线路正常工作电流波形与故障电弧波形具有相似特征,容易引起故障电弧保护装置误动作的问题,提出一种基于卷积自编码网络的故障电弧多分类识别方法。采用卷积自动编码器进行故障电弧特征提取,优化设计卷积自动编码器网络模型参数,并利用Softmax多分类器建立故障电弧多分类识别网络模型。实验结果表明,所提方法的故障电弧识别准确率达到99.31%,相应负载类型识别准确率达到97.94%,满足故障电弧识别要求。 展开更多
关键词 串联故障电弧 卷积自动编码器 Softmax多分类器 非线性负载 故障电弧识别
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部