- 博客(33)
- 收藏
- 关注
RSS订阅原创 Contrastive Embedding for Generalized Zero-Shot Learning
基于特征生成的方法有效缓解偏移问题，然而特征生成方法在原始特征空间中产生合成的视觉特征。我们推测，原始特征空间远离语义信息，因此缺乏区分能力，对于GZSL分类是次优的。生成模型与嵌入模型集成，混合GZSL方法将生成模型产生的真实样本和合成样本映射到一个嵌入空间中，在那里我们执行最终的GZSL分类。的帮助下，我们将嵌入空间中随机选择的点的类级对比嵌入损失作为一个。的语义描述符空间中，常用的语义嵌入方法依赖于一个结构化损失函数。是合成特征和其对应的语义描述符的联合分布。是可见类的真实训练样本的经验分布，
2023-11-24 15:21:54
878
原创 多源迁移学习网络补充知识，对未知故障机器的智能诊断
受源域样本的分布基线不同的影响，通过相同配置的pda子网学习目标域特征的分布发生了偏移。与其努力配置每个子网的参数，不如配置目标域特征之间的分布差异，分别由多个pda-子网学习。该模块通过多源-目标自适应正则化方法联合训练多个pda-子网，以释放多源机器之间的差异所造成的负面影响。1）通过在分类层中添加一个神经元来处理源机器中未发现的故障，提出了一种部分分布自适应子网络（PDA-子网）。常用的高斯核MMD存在几个缺点：1）时间复杂度高，2）忽略了高阶矩上的分布差异，3）结果对高斯核宽度很敏感。
2023-06-26 16:49:18
314
原创 Zero-shot learning for compound fault diagnosis of bearings
该方法的训练过程将单故障的信号特征与其故障语义相匹配。2）设计了故障语义来表达单故障和复合故障的先验知识。将单故障的振动信号用于构造故障语义，而复合故障的故障语义来自单故障的故障语义。为了解决从单故障数据中学习并对未知复合故障进行分类的问题，本文引入了一种在特征和语义之间共享的中间层嵌入方法。1）提出了一种零样本学习复合故障诊断模型（ZLCFDM），该模型利用单故障的振动信号进行训练来识别未知的复合故障。三种单故障：滚动体故障（BF）、内圈故障（IF）、外圈故障（OF）选择单故障的振动信号的。
2023-02-20 20:13:43
393
3
原创 Joint Visual and Semantic Optimization for zero-shot learning
在数学上，VSOP被表述为一个从视觉空间和语义空间到其潜在的公共子空间的相互正交投影的最小化问题。具体来说，VSOP试图在视觉和语义空间的潜在公共子空间中利用潜在的共享概念，从而提取这两个空间之间的关系进行分类。为此，学习两种耦合映射，将视觉特征和语义特征投射到一个公共的子空间中，并匹配它们在子空间中的潜在表示。1）提出通过正交投影来学习视觉和语义特征的公共子空间，并匹配它们的潜在表示来进行概念共享。具体地说，我们引入了可视化数据和语义数据的重构正则化，以获得共享的概念。由此引出零样本学习（ZSL）。
2023-02-19 10:23:17
154
原创 深度注意关系网络：未知域下轴承故障诊断的零样本学习方法
例如，T1表示使用操作条件O1的80%数据集作为训练数据集，使用操作条件O1的剩余数据集和操作条件O2、O3、O4的数据集作为测试数据集。后接并行注意机制（PAM）。3）引入PAM，帮助模型定位不同类别中最具鉴别性的区域，以增强DARN的特征可鉴别性，使关系模块能够更好地区分样本对之间的相似性关系。1）迁移学习从源域（SD）中学习目标域（TD）的故障知识，实际工程中需要做频繁的迁移任务，限制了模型的适用性。2）训练数据集和测试数据集是相互关联的，但由于运行环境的变化和故障的原因，它们存在不同的数据分布。
2023-02-15 16:47:54
751
原创 Fault Description Based Attribute Transfer for Zero-Sample Industrial Fault Diagnosis
本文采用基于故障描述的属性迁移方法，研究了无训练样本的目标故障类别的故障诊断场景。基于故障描述层中的细粒度和类共享属性，可以构建级联诊断系统，将训练故障的属性知识转移到目标故障，进行零样本故障诊断。在基于故障描述的方法中，我们还采用了有监督的主成分分析作为特征提取器，为更有效的学习过程提供了与属性相关的特征。将表II与表I进行比较，可以很容易地从表I的陈述中得出属性描述，根据故障描述，我们在没有样本的情况下对目标故障进行模型训练。该描述由任意的属性组成，包括故障的影响、具体的故障位置、故障的原因等。
2022-10-12 21:10:59
767
原创 From Zero-shot Learning to Conventional Supervised Classification: Unseen Visual Data Synthesis
另一个优点是，合成的视觉数据可以被提供给典型的监督分类器，以获得更好的性能，这可以由使用SVM的结果来支持。2、在语义-视觉嵌入过程中引入了方差衰减问题，并提出了一种新的扩散正则化方法，它可以明确地使信息扩散到合成数据的每个维度。1、提供了一个可行的框架，从给定的语义属性中合成看不见的视觉特征，而不需要获取真实的图像。这表示学习到的特征存在严重冗余，为此期望集中的信息可以通过调整旋转有效地扩散到所有学习到的维度，即调整（3）中的旋转矩阵。中报告了这样一个特性，即正交旋转可以保护在语义空间中捕获的属性。
2022-10-10 19:17:23
724
原创 Compound-Fault Diagnosis of Rotating Machinery: A Fused Imbalance Learning Method
复合故障的分解问题贡献：1、采用不平衡学习的方法解决了测量不平衡和冗余数据（数据不均衡，故障数据偏少）带来的误分类问题。建立了一种基于SA（灵敏度分析）的不平衡学习模型，生成有关故障类的BPA（基本概率分配）。2、研究了该融合方法中采样条件和局部特征提取过程所带来的不确定性。嵌套结构的BPA由提出的分类器进行证据组合。3、利用一个大型旋转机械故障诊断实验平台生成非高斯分布振动信号，验证了该方法的有效性。实验结果表明，该方法能有效地提取故障信息，提高复合故障识别率。融合不平衡学习机（FILM）1、特
2022-07-08 17:33:54
498
原创 变分自编码器（VAE）及Tensorflow实现
文章目录基本概念Tensorflow实现完整代码基本概念1、变分自编码器属于无监督学习2、变分自编码器的主要作用是可以生成数据3、VAE的网络结构：Tensorflow实现VAE实现 MNIST 手写数字识别1、库导入：import osimport tensorflow as tffrom tensorflow import kerasfrom PIL import Imagefrom matplotlib import pyplot as pltfrom tensorflow
2022-05-17 10:17:36
2066
原创 机械复合故障 zero-shot 智能诊断的标签描述空间嵌入模型
ZSL的关键是探索和开发未知和已知类别之间的语义关系。LDS描述了复合故障与相关的单个故障之间的关系。然后，提出了一种用于智能故障诊断的LDS嵌入式模型(LDS-IFD)来识别未知的复合故障。根据这些特性，阶段2预先判断测试数据是从单一故障还是复合故障中收集的。在阶段3中，建立了一个。现阶段的复合故障都是将其作为一个单独的故障类型，参与训练并测试。2、T-SR 获得单故障与Health之间的特征相关性。复合故障发生几率小，种类多，采集大量的故障数据难度大。5、复合故障信号喂入后先计算与Health之间的。
2021-11-19 11:16:57
1512
转载 几种卷积的比较
文章目录卷积与互相关（信号处理）深度学习中的卷积（单通道/多通道）3D卷积1 x 1卷积卷积运算（Convolution Arithmetic）转置卷积（反卷积，checkerboard artifacts）扩张卷积（空洞卷积）可分离卷积（空间可分离卷积，深度卷积）扁平卷积（Flattened Convolution）分组卷积（Grouped Convolution）随机分组卷积（Shuffled Grouped Convolution）逐点分组卷积（Pointwise Grouped Convolutio
2021-11-15 15:59:44
2219
2
原创 Deep separable convolutional network for remaining useful life prediction of machinery
文章目录BackgroundBackground数据驱动的剩余寿命预测（RUL）主要包括：数据采集，特征提取和选择，退化行为学习和剩余寿命预测
2021-11-15 15:45:11
1355
原创 深度卷积传输学习网络：一种针对无标记数据机器智能故障诊断的新方法
文章目录BackgroundTransfer Learning ProblemBackground应用于验证各种智能故障诊断方法有效性的数据集满足以下两个条件：1)有带有故障信息的标记数据；2)训练和测试数据来自相同的概率分布。但是，对于某些机器，由于存在以下问题，很难满足这两种条件。1）标记的故障数据很难从某些机器中获得。具体来说，导致缺乏标记的故障数据主要有两个原因。首先，机器可能不允许运行到故障，因为意外故障通常会导致机器故障，甚至灾难性事故。在这种情况下，不可能获得故障数据。其次，机器通常会经
2021-11-04 11:28:25
2426
11
原创 An unknown fault identification method based on PSO-SVDD in the IoT environment
文章目录IntroductionData collectingMethod支持矢量数据描述（SVDD）粒子群优化（PSO）Introduction1、解决未知故障检测的问题2、将未知故障添加到故障模式库以自适应更新故障诊断模型研究对象：配电网设备的故障诊断方法：粒子群优化-支持矢量数据描述（PSO-SVDD）Data collectingMethod支持矢量数据描述（SVDD）类似于SVM，一分类问题找一个最小的超球面将数据合理全部包裹ξ\xiξ为松弛变量，防止模型过拟合使用拉
2021-09-02 15:39:15
351
原创 Isolation and Localization of Unknown Faults Using Neural Network-Based Residuals
文章目录IntroductionIntroduction本文提出了如何利用基于神经网络的残差和基于物理的模型来定位系统中的未知故障1、本文中提到的方法，依靠残差进行故障隔离和分类。2、这里不仅考虑了故障隔离，而且还考虑了未知故障的定位。...
2021-09-01 16:21:12
73
原创 Prediction of Unknown Fault of Induction Motor Using SVM Following Decision-Directed Acyclic Graph
文章目录部分缩写Introduction流程部分缩写DDAG: 决策导向无环图MFCSA：电机故障电流特征分析IntroductionPCA提取特征+降维故障类型：转子断裂、轴承故障、转子没校准、转子不平衡、定子绕组故障、单项电压不平衡流程数据量好少。。。。不太适合我的工作论文...
2021-08-31 16:57:46
112
原创 基于深度学习的含未知复合故障多传感器信号故障诊断
文章目录目的网络实验结果存在的问题CNN-LSTM-FCM目的1、未知复合故障诊断2、复合故障解耦网络折叠层：将输入的序列构建成测量数据帧序列展开层、扁平化层：恢复序列结构、输出矢量序列卷积：提取特征LSTM和输出：对输出的矢量序列进行分类预期效果：1、测试集中的已知类别：输出为1左右；测试集中的未知类别：输出在0.5左右2、分别输出每一类的概率。如：有５组传感器信号，１和３为故障信号，其余正常，将这组数据输入传统 ＣＮＮ 模型，输出可能是故障１，也可能是故障３，但只能输出其中一种
2021-08-30 17:22:55
1643
2
原创 轨道几何不平顺对机车齿轮传动动态特性的影响（牵引动力）
文章目录Introduction带齿轮传动的机车-轨道空间耦合动力学模型Experiments and ResultsConclusionIntroduction在运行过程中，由于齿轮传动系统继承的内部动态激励或外部激励，其振动是不可避免的。振动造成的后果不仅包括骚扰的噪声辐射，还会包括严重的磨损甚至损坏。齿轮传动系统与车辆系统之间的动态相互作用是通过其悬架和轮轨接触来实现的。因此，有必要研究考虑齿轮传动的轨道不平顺对机车动力性能的影响。本文为研究齿轮传动的动态响应，建立了齿轮传动-机车-轨道空间耦
2021-06-10 17:06:40
615
原创 齿轮齿根裂缝故障对铁路机车的振动特性(牵引动力)
文章目录AbstractIntroductionSpatial dynamics modelAbstract非稳态条件下的齿轮故障诊断一直是研究的热点，揭示瞬态条件下的齿轮故障振动特性是有效故障检测和诊断的前提和基础。本文基于多体动力学理论，提出了一种考虑齿轮传动系统动力学耦合效应的重型电力机车空间动力学模型；通过考虑轮轨非线性接触、齿轮网和齿根裂纹引起的复杂激励，得到了机车在瞬态条件下的动态响应。采用时频分析和角同步平均方法研究了齿根裂纹的故障振动特征。最后，通过冠峰因子(CF)、震震力（K）、四阶
2021-06-06 16:21:47
711
2
原创 SDE-Net: Equipping Deep Neural Networks with Uncertainty Estimates
文章目录IntroductionMethod布朗运动Experiments ResultIntroduction目前不确定性量化方法：1、基于贝叶斯神经网络2、非贝叶斯方法，如模型集成（Model Ensembling）等SDE-Net： stochastic differential equation，随机微分方程网络 贡献：1、明确建模了Aleatoric Uncertainty（固有）和Epistemic Uncertainty（人为），并can在其预测中分离出不确定性的来源2、实现高效
2021-05-17 11:12:21
958
原创 基于 Tsallis 熵与层次化混合分类器的含未知故障断路器机械故障诊断
文章目录IntroductionMethodIntroductionMethod论文出处
2021-05-06 08:15:38
154
原创 环境因素对车体的影响
文章目录背景大风对高速列车安全性的影响研究模型建立结论瞬态风荷载下的列车运行安全性研究大风环境列车横截面外形优化低温环境下高速列车车内噪声问题及控制方案不同环境温度下振动传递特性分析高海拔地区高速铁路隧道空气动力学特性背景本文承接上篇，关注于川藏铁路的建设，对于机械故障诊断，更加关注于机械的振动信号变化。那在川藏铁路这种高寒、低压、桥遂、长大下坡、大风、隧道内高温等恶劣环境条件下，会对车体本身有哪些影响，对机械振动信号又有哪些影响。本文依旧是一些文献综述大风对高速列车安全性的影响研究SIMPACK
2020-12-18 21:56:49
964
2
原创 川藏铁路研究现状
文章目录背景注川藏铁路信号运维系统技术条件及方案研究川藏线货物列车牵引质量主要影响因素分析川藏铁路昌都至林芝段最大坡度研究川藏铁路电气化工程面临的挑战和对策思考背景在2008年3月召开的十一届全国人大一次会议上，四川代表团提出《关于尽快建设川藏铁路的建议》的重头提案。提案指出，成都就是进出藏最主要的门户，两省区经济联系密切、人员往来频繁。2005年的统计数据显示，仅两地航空客流就高达74万人次，目前还隔日开行有成都至拉萨的客车1对。人大代表童若春表示：“四川经济总量占西部四分之一，是西部物流、人流、资金
2020-12-14 17:52:36
3265
原创 Detecting unexpected faults of high-speed train bogie based on deep Bayesian learning
文章目录
2020-10-26 19:51:46
97
原创 Variational Bayesian Group-Level Sparsification for Knowledge Distillation
文章目录IntroductionRelated workMethodKDGroup sparseness in net（网络中的群体稀疏性）Variatonal Bayesian Sparsification(变分贝叶斯稀疏化)ExperimentReferenceIntroductionVariational Bayesian Group-Level Sparsification for Knowledge Distillation (VBGS-KD): 变分贝叶斯群级稀疏化知识蒸馏网络DL占用大
2020-10-20 21:46:04
200
原创 Learning from Very Few Samples: A Survey
文章目录IntroductionFSL HistoryReferenceIntroduction能否快速的从少样本中构建对新概念的认知是区分AI和人类智慧的一个先决条件。人类显著的学习能力得益于人脑中的前额叶皮层(PFC)和工作记忆，特别是PFC特有的神经生物学机制与大脑中存储的以往经验之间的相互作用。FSL的意义：1、FSL不依赖于大规模的训练样本2、缩小AI和人类智慧的差距3、速度快成本低——有利于找出任务早期的潜在规律本文贡献：1、2000-2019 FSL论文概述（凝固学习-元学习
2020-09-19 11:42:56
2298
原创 NPP(核电站) Thermocouple Sensor-Fault Detection and Classification Using DL and GLRT(广义似然比实验)
文章目录Introduction快中子增值试验反应堆热电偶信号故障类型Proposed MethodDataResult对比实验Introduction传感器故障检测和隔离方法：基于模型，基于数据基于模型：卡尔曼滤波、基于龙伯格观测器、奇偶方程、基于状态观测器、贝叶斯基于数据：PAC（主成分分析）、单一值分解、ANN、SVM传感器数据多维异构快中子增值试验反应堆热电偶信号故障类型热电偶故障{突变故障{开路故障短路故障渐变故障其他故障（运放或ADC故障导致）热电偶故障\left\{\be
2020-09-05 20:27:30
439
原创 A Systematic Survey on Sensor Failure Detection and Fault-Tolerance in Ambient Assisted Living
文章目录IntroductionBackground of Sensors Failures传感器网络故障分类评估标准DatasetsKasteren DatasetsCASAS DatasetsPlacelab DatasetsTapia Datasets文献综述以及性能Conclusion（目前研究的局限性）ReferenceIntroduction环境辅助生活（ambient assisted living, AAL）是智能家居（smart home）的一种。AAL包括健康与行为检测(healt
2020-09-01 16:20:46
160
原创 Do Deep Nets Really Need to be Deep?
文章目录AnnotationIntroductionThe subjectsExperimentResultStructureReferenceAnnotationDN----Deep NetSN----Shallow NetIntroductionTheme: 用一个SN去模拟DN可不可以达到较好的效果？思考：DN的效果为什么比SN好？可能原因：1、DN参数多。2、DN层数多。3、卷积操作可以学到一些特殊的特征。4、目前的学习算法和正则化过程对DN更加有效。5、All of above 或者
2020-08-31 11:34:43
218
原创 Distilling the Knowledge in a Neural Network
文章目录StructureExperimentSubjectStructureMNIST语音识别ReferenceStructureSoftmax 前：logits（ziz_izi），后：probability（qiq_iqi）qi=exp(zi/T)∑jexp(zj/T)q_i=\frac {exp(z_i/T)}{\sum_jexp(z_j/T)}qi=∑jexp(zj/T)exp(zi/T)交叉熵梯度函数：Fun. 1泰勒展开得Fun. 2若：logits 均值为0，及
2020-08-31 11:32:16
140
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人