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
2
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
基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测
被引量：
1
1
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
基于SDAE与RELM的EEG情感识别方法
被引量：
3
2
作者
连卫芳
晁浩
刘永利
《计算机工程》
CAS
CSCD
北大核心
2021年第9期75-83,共9页
针对情感识别中堆叠式自动编码器存在反向传播方法收敛速度慢和容易陷入局部最优的问题,提出一种基于堆叠式降噪自动编码器(SDAE)和正则化极限学习机(RELM)的情感状态识别方法。从脑电信号的时域、频域和时频域中提取表征情感状态的初...
针对情感识别中堆叠式自动编码器存在反向传播方法收敛速度慢和容易陷入局部最优的问题,提出一种基于堆叠式降噪自动编码器(SDAE)和正则化极限学习机(RELM)的情感状态识别方法。从脑电信号的时域、频域和时频域中提取表征情感状态的初始特征,使用SDAE进行无监督特征学习,提取初始特征的高层抽象表示。在网络的回归层,使用RELM进行情感分类。在DEAP数据集上的实验结果表明,与SDAE以及DT、KNN等传统基于机器学习的方法相比,该方法在实时性、准确性和泛化性能等方面均有明显提升。
展开更多
关键词
情感识别
脑电信号
情感特征
堆叠式降噪自动编码器
正则化极限学习机
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
被引量：
1
1
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
基于SDAE与RELM的EEG情感识别方法
被引量：
3
2
作者
连卫芳
晁浩
刘永利
机构
河南理工大学计算机科学与技术学院
出处
《计算机工程》
CAS
CSCD
北大核心
2021年第9期75-83,共9页
基金
国家自然科学基金(61502150)
河南省高等学校重点科研计划项目(NSFRF1616)
河南省高校基本科研业务费专项基金(19A520004)。
文摘
针对情感识别中堆叠式自动编码器存在反向传播方法收敛速度慢和容易陷入局部最优的问题,提出一种基于堆叠式降噪自动编码器(SDAE)和正则化极限学习机(RELM)的情感状态识别方法。从脑电信号的时域、频域和时频域中提取表征情感状态的初始特征,使用SDAE进行无监督特征学习,提取初始特征的高层抽象表示。在网络的回归层,使用RELM进行情感分类。在DEAP数据集上的实验结果表明,与SDAE以及DT、KNN等传统基于机器学习的方法相比,该方法在实时性、准确性和泛化性能等方面均有明显提升。
关键词
情感识别
脑电信号
情感特征
堆叠式降噪自动编码器
正则化极限学习机
Keywords
emotion recognition
Electroencephalogram(EEG)signals
emotional features
stack
ed
denoising
auto
-
encoder
(SDAE)
regularized
Extreme Learning Machine(RELM)
分类号
TP18 [自动化与计算机技术—控制理论与控制工程]
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
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
1
在线阅读
下载PDF
职称材料
2
基于SDAE与RELM的EEG情感识别方法
连卫芳
晁浩
刘永利
《计算机工程》
CAS
CSCD
北大核心
2021
3
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
