期刊文献+
共找到2篇文章
< 1 >
每页显示 20 50 100
基于核极限学习机自编码器的转盘轴承寿命状态识别 被引量:5
1
作者 潘裕斌 王华 +1 位作者 陈捷 洪荣晶 《浙江大学学报(工学版)》 EI CAS CSCD 北大核心 2022年第9期1856-1866,共11页
针对低速重载转盘轴承运行工况恶劣、故障特征微弱的特点,提出基于飞蛾扑火算法优化多层核极限学习机自编码器(MFO-MLKELM-AE)的转盘轴承寿命状态识别方法.该方法从振动信号的时域和时频域中提取出多个能够表征转盘轴承运行状态的特征向... 针对低速重载转盘轴承运行工况恶劣、故障特征微弱的特点,提出基于飞蛾扑火算法优化多层核极限学习机自编码器(MFO-MLKELM-AE)的转盘轴承寿命状态识别方法.该方法从振动信号的时域和时频域中提取出多个能够表征转盘轴承运行状态的特征向量,并将其组成高维特征集.采用堆叠多层核极限学习机自编码器(MLKELM-AE),从高维特征集中提取最能反映转盘轴承的寿命状态信息,输入核极限学习机(KELM)模型进行寿命状态识别.在MLKELM-AE学习训练中,采用新的飞蛾扑火算法(MFO)优化惩罚系数和核参数,提高MLKELM-AE的特征识别能力.转盘轴承加速寿命实验表明,MLKELM-AE比多层极限学习机自编码器(MLELMAE)、单层极限学习机(ELM)、KELM的识别精度高,多传感器、多领域特征能够全面反映转盘轴承的寿命状态. 展开更多
关键词 低速重载转盘轴承 多层核极限学习机自编码器(MLKELM-AE) 飞蛾扑火算法(MFO) 寿命状态识别 多领域特征
在线阅读 下载PDF
基于ELM-AE和BP算法的极限学习机特征表示方法
2
作者 苗军 刘晓 +1 位作者 常艺茹 乔元华 《北京信息科技大学学报(自然科学版)》 2024年第1期37-41,共5页
基于极限学习机自编码器(extreme learning machine based autoencoder,ELM-AE)和误差反向传播(back propagation,BP)算法,针对ELM提出了一种改进的特征表示方法。首先,使用ELM-AE以无监督的方式学习紧凑的特征表示,即ELM-AE输出权重;其... 基于极限学习机自编码器(extreme learning machine based autoencoder,ELM-AE)和误差反向传播(back propagation,BP)算法,针对ELM提出了一种改进的特征表示方法。首先,使用ELM-AE以无监督的方式学习紧凑的特征表示,即ELM-AE输出权重;其次,利用ELM-AE输出权重来初始化BP神经网络的输入权重,然后对BP网络进行监督训练;最后,用微调的BP网络输入权重初始化ELM的输入权重参数。在MNIST数据集上的实验结果表明,采用BP算法对ELM-AE学习的参数进行约束,可以得到更紧凑且具有判别性的特征表示,有助于提高ELM的性能。 展开更多
关键词 极限学习机自编码器 误差反向传播 极限学习
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部