期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
1
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
全参数动态学习深度信念网络在滚动轴承寿命预测中的应用
被引量：
33
1
作者
杨宇
张娜
程军圣
《振动与冲击》
EI
CSCD
北大核心
2019年第10期199-205,249,共8页
相对于传统的"对信号进行特征提取+人工选择对数据敏感的特征值+预测模型"的滚动轴承寿命预测方法,深度信念网络(DBN)有显著的优势:DBN可以直接处理原始数据,让机器自动学习信号特征,从而免去了特征提取和选择的过程,提高了...
相对于传统的"对信号进行特征提取+人工选择对数据敏感的特征值+预测模型"的滚动轴承寿命预测方法,深度信念网络(DBN)有显著的优势:DBN可以直接处理原始数据,让机器自动学习信号特征,从而免去了特征提取和选择的过程,提高了预测的智能性。但是传统的DBN采用固定学习率进行网络学习,不利于寻找最优结果;基于此,提出了一种改进的深度信念网络——全参数动态学习深度信念网络(GPDLDBN),并将其应用于滚动轴承寿命预测中。GPDLDBN预测模型由多层受限玻尔兹曼机(RBM)单元组成,采用自下而上的逐层无监督贪婪算法训练参数;接着采用自上而下的监督学习算法微调整个网络参数,两个过程均采用新的全参数动态学习策略设置各参数;采用GPDLDBN预测模型对实测的滚动轴承寿命数据进行了预测,并与传统的固定学习率的DBN预测模型进行了对比分析。结果表明,GPDLDBN预测模型能够有效加快收敛速度,减少模型的训练时间,且具有更高的预测精度。
展开更多
关键词
深度
学习
全
参数
动态
学习
深度
信念
网络
(
gpdldbn
)
滚动轴承
寿命预测
在线阅读
下载PDF
职称材料
题名
全参数动态学习深度信念网络在滚动轴承寿命预测中的应用
被引量：
33
1
作者
杨宇
张娜
程军圣
机构
湖南大学汽车车身先进设计制造国家重点实验室
出处
《振动与冲击》
EI
CSCD
北大核心
2019年第10期199-205,249,共8页
基金
国家自然科学基金(51575168
51375152)
+1 种基金
国家重点研发计划项目(2016YFF0203400)
湖南省重点研发计划(2017GK2182)
文摘
相对于传统的"对信号进行特征提取+人工选择对数据敏感的特征值+预测模型"的滚动轴承寿命预测方法,深度信念网络(DBN)有显著的优势:DBN可以直接处理原始数据,让机器自动学习信号特征,从而免去了特征提取和选择的过程,提高了预测的智能性。但是传统的DBN采用固定学习率进行网络学习,不利于寻找最优结果;基于此,提出了一种改进的深度信念网络——全参数动态学习深度信念网络(GPDLDBN),并将其应用于滚动轴承寿命预测中。GPDLDBN预测模型由多层受限玻尔兹曼机(RBM)单元组成,采用自下而上的逐层无监督贪婪算法训练参数;接着采用自上而下的监督学习算法微调整个网络参数,两个过程均采用新的全参数动态学习策略设置各参数;采用GPDLDBN预测模型对实测的滚动轴承寿命数据进行了预测,并与传统的固定学习率的DBN预测模型进行了对比分析。结果表明,GPDLDBN预测模型能够有效加快收敛速度,减少模型的训练时间,且具有更高的预测精度。
关键词
深度
学习
全
参数
动态
学习
深度
信念
网络
(
gpdldbn
)
滚动轴承
寿命预测
Keywords
deep learning
global parameters dynamic learning deep belief networks(
gpdldbn
)
rollingbearing
life prediction
分类号
TH113 [机械工程—机械设计及理论]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
全参数动态学习深度信念网络在滚动轴承寿命预测中的应用
杨宇
张娜
程军圣
《振动与冲击》
EI
CSCD
北大核心
2019
33
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
