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
3
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
一种HRRP重构识别方法:带标签约束的SDAE-CNN
1
作者
尹建国
盛文
+1 位作者
赵蒙
江河
《现代防御技术》
北大核心
2025年第3期32-41,共10页
雷达空中目标高分辨距离像(high resolution range profile, HRRP)常被用于开展目标识别,在实际运行过程中,数据样本不完备和噪声干扰往往会给雷达目标识别带来挑战。为克服这一挑战,将堆栈去噪自编码器(stacked denoising auto-encoder...
雷达空中目标高分辨距离像(high resolution range profile, HRRP)常被用于开展目标识别,在实际运行过程中,数据样本不完备和噪声干扰往往会给雷达目标识别带来挑战。为克服这一挑战,将堆栈去噪自编码器(stacked denoising auto-encoders, SDAE)和卷积神经网络(convolutional neural networks,CNN)结合起来用于HRRP的去噪重构与识别,并添加标签约束以加速模型收敛。SDAE可以对HRRP数据进行去噪重构,增强数据质量,扩充目标数据集,并引入标签约束,强化隐特征与所属类别相关联的能力,加速模型收敛,CNN用于对HRRP进行分类。实验结果表明,所提方法在小样本、强噪声场景下的目标识别中展现了较优的识别性能和识别精度,能够在一定程度克服样本少、噪声高对HRRP识别的不良影响。
展开更多
关键词
高分辨距离像
目标识别
数据不完备
噪
声干扰
堆栈去噪自编码器
卷积神经网络
在线阅读
下载PDF
职称材料
基于MRSDAE-KPCA结合Bi-LST的滚动轴承剩余使用寿命预测
被引量：
1
2
作者
古莹奎
陈家芳
石昌武
《噪声与振动控制》
CSCD
北大核心
2024年第3期95-100,145,共7页
针对现有滚动轴承剩余使用寿命预测方法在提取数据特征时没有充分考虑数据的内部分布,且在构建健康因子时还需要专家经验进行人工提取等问题,提出一种基于流形正则化堆栈去噪自编码器、核主成分分析并结合双向长短时记忆网络的滚动轴承...
针对现有滚动轴承剩余使用寿命预测方法在提取数据特征时没有充分考虑数据的内部分布,且在构建健康因子时还需要专家经验进行人工提取等问题,提出一种基于流形正则化堆栈去噪自编码器、核主成分分析并结合双向长短时记忆网络的滚动轴承剩余使用寿命预测方法。首先采用无监督的堆栈去噪自编码器网络对原始振动数据进行深层特征提取,并使用核主成分分析法进一步降维,以提高健康因子的指标稳定性;然后在堆栈去噪自编码器中加入流形正则化,最大程度保留编码器隐藏层内部的数据分布结构,提高模型提取数据特征的有效性。最后使用双向长短时记忆网络预测轴承的剩余使用寿命,并采用AdaMax优化算法对网络模型的超参数进行自适应寻优。分析结果表明,提出的滚动轴承剩余使用寿命预测方法具有更高的精度。
展开更多
关键词
故障诊断
滚动轴承
剩余使用寿命预测
健康因子
流形正则化
堆栈去噪自编码器
双向长短时记忆网络
在线阅读
下载PDF
职称材料
基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测
3
作者
陈家芳
刘钰凡
吴朗
《现代制造工程》
CSCD
北大核心
2024年第3期148-155,53,共9页
基于传统方法预测轴承剩余使用寿命(Residual Useful Life,RUL),步骤繁多,成本昂贵,且模型不具泛化性。现有的基于深度学习(Deep Learning,DL)的预测方法,由于数据量过大,经常导致模型出现过拟合现象,从而使模型精度不高。为了克服以上...
基于传统方法预测轴承剩余使用寿命(Residual Useful Life,RUL),步骤繁多,成本昂贵,且模型不具泛化性。现有的基于深度学习(Deep Learning,DL)的预测方法,由于数据量过大,经常导致模型出现过拟合现象,从而使模型精度不高。为了克服以上缺点,提出一种基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测方法。首先,使用无监督式网络流形正则化堆栈去噪自编码器(Manifold Regularization Stack Denoising Auto Encoder,MRSDAE)结合自组织映射(Self-Or-ganizing Mapping,SOM)构建轴承健康因子(Health Indicator,HI)。然后,通过分层门控循环单元(Hierarchical Gated Re-current Unit,HGRU)网络建立预测模型,HGRU网络通过加入多尺度层和密集层,使其具有捕获时序特征且集成不同时间尺度注意力信息的能力。最后,通过实验验证表明,相比于其他基于数据驱动的方法,所提方法构建健康因子使用无监督方式,高效快捷且便于应用;预测模型泛化能力好,并有效防止了过拟合现象,实现了更高的预测精度。
展开更多
关键词
深度学习
剩余使用寿命
流形正则化
堆栈去噪自编码器
分层门控循环单元
在线阅读
下载PDF
职称材料
题名
一种HRRP重构识别方法:带标签约束的SDAE-CNN
1
作者
尹建国
盛文
赵蒙
江河
机构
空军预警学院
中国人民解放军
中国人民解放军
出处
《现代防御技术》
北大核心
2025年第3期32-41,共10页
文摘
雷达空中目标高分辨距离像(high resolution range profile, HRRP)常被用于开展目标识别,在实际运行过程中,数据样本不完备和噪声干扰往往会给雷达目标识别带来挑战。为克服这一挑战,将堆栈去噪自编码器(stacked denoising auto-encoders, SDAE)和卷积神经网络(convolutional neural networks,CNN)结合起来用于HRRP的去噪重构与识别,并添加标签约束以加速模型收敛。SDAE可以对HRRP数据进行去噪重构,增强数据质量,扩充目标数据集,并引入标签约束,强化隐特征与所属类别相关联的能力,加速模型收敛,CNN用于对HRRP进行分类。实验结果表明,所提方法在小样本、强噪声场景下的目标识别中展现了较优的识别性能和识别精度,能够在一定程度克服样本少、噪声高对HRRP识别的不良影响。
关键词
高分辨距离像
目标识别
数据不完备
噪
声干扰
堆栈去噪自编码器
卷积神经网络
Keywords
high reslution range profile(HRRP)
target recognition
incomplete data
noise interference
stacked denosing auto-encoders(SDAE)
convolution neural network(CNN)
分类号
TN957 [电子电信—信号与信息处理]
TJ7 [兵器科学与技术—武器系统与运用工程]
在线阅读
下载PDF
职称材料
题名
基于MRSDAE-KPCA结合Bi-LST的滚动轴承剩余使用寿命预测
被引量：
1
2
作者
古莹奎
陈家芳
石昌武
机构
江西理工大学机电工程学院
出处
《噪声与振动控制》
CSCD
北大核心
2024年第3期95-100,145,共7页
基金
国家自然科学基金资助项目(61963018)
江西省自然科学基金重点资助项目(20212ACB202004)。
文摘
针对现有滚动轴承剩余使用寿命预测方法在提取数据特征时没有充分考虑数据的内部分布,且在构建健康因子时还需要专家经验进行人工提取等问题,提出一种基于流形正则化堆栈去噪自编码器、核主成分分析并结合双向长短时记忆网络的滚动轴承剩余使用寿命预测方法。首先采用无监督的堆栈去噪自编码器网络对原始振动数据进行深层特征提取,并使用核主成分分析法进一步降维,以提高健康因子的指标稳定性;然后在堆栈去噪自编码器中加入流形正则化,最大程度保留编码器隐藏层内部的数据分布结构,提高模型提取数据特征的有效性。最后使用双向长短时记忆网络预测轴承的剩余使用寿命,并采用AdaMax优化算法对网络模型的超参数进行自适应寻优。分析结果表明,提出的滚动轴承剩余使用寿命预测方法具有更高的精度。
关键词
故障诊断
滚动轴承
剩余使用寿命预测
健康因子
流形正则化
堆栈去噪自编码器
双向长短时记忆网络
Keywords
fault diagnosis
rolling bearing
residual useful life prediction
health factors
manifold regularization stack denoising autoencoder
bi-directional long short-term memory network
分类号
TH17 [机械工程—机械制造及自动化]
在线阅读
下载PDF
职称材料
题名
基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测
3
作者
陈家芳
刘钰凡
吴朗
机构
广西中烟工业有限责任公司
出处
《现代制造工程》
CSCD
北大核心
2024年第3期148-155,53,共9页
文摘
基于传统方法预测轴承剩余使用寿命(Residual Useful Life,RUL),步骤繁多,成本昂贵,且模型不具泛化性。现有的基于深度学习(Deep Learning,DL)的预测方法,由于数据量过大,经常导致模型出现过拟合现象,从而使模型精度不高。为了克服以上缺点,提出一种基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测方法。首先,使用无监督式网络流形正则化堆栈去噪自编码器(Manifold Regularization Stack Denoising Auto Encoder,MRSDAE)结合自组织映射(Self-Or-ganizing Mapping,SOM)构建轴承健康因子(Health Indicator,HI)。然后,通过分层门控循环单元(Hierarchical Gated Re-current Unit,HGRU)网络建立预测模型,HGRU网络通过加入多尺度层和密集层,使其具有捕获时序特征且集成不同时间尺度注意力信息的能力。最后,通过实验验证表明,相比于其他基于数据驱动的方法,所提方法构建健康因子使用无监督方式,高效快捷且便于应用;预测模型泛化能力好,并有效防止了过拟合现象,实现了更高的预测精度。
关键词
深度学习
剩余使用寿命
流形正则化
堆栈去噪自编码器
分层门控循环单元
Keywords
Deep Learning(DL)
Residual Useful Life(RUL)
Manifold Regularized Stack Denoising Auto Encoder(MRSDAE)
Hierarchical Gated Recurrent Unit(HGRU)
分类号
TH17 [机械工程—机械制造及自动化]
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
一种HRRP重构识别方法:带标签约束的SDAE-CNN
尹建国
盛文
赵蒙
江河
《现代防御技术》
北大核心
2025
0
在线阅读
下载PDF
职称材料
2
基于MRSDAE-KPCA结合Bi-LST的滚动轴承剩余使用寿命预测
古莹奎
陈家芳
石昌武
《噪声与振动控制》
CSCD
北大核心
2024
1
在线阅读
下载PDF
职称材料
3
基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测
陈家芳
刘钰凡
吴朗
《现代制造工程》
CSCD
北大核心
2024
0
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
