论文阅读-深度学习 故障检测
文章平均质量分 82
一套煎饼
这个作者很懒,什么都没留下…
展开
-
《基于麻雀搜索算法的深度信念网络的改进与应用》
一篇会议文章~~~,结尾推荐值得可看的同类型文章~~欢迎留言一起讨论!抽象深度信念网络(DBN)是深度学习(DL)领域最流行的网络结构之一。它由多个受限玻尔兹曼机(RBM)和一个输出层组成,通过逐层特征提取和BP网络的向后微调,使其具有很强的特征提取和非线性映射能力。然而,它主要受隐藏层中神经元节点数量的影响。神经元太少会导致DBN模型出现欠拟合问题,反之,神经元过多也会导致DBN模型遭受过拟合,因此DBN模型的性能很难直接得到满足,导致其应用存在一些局限性。为此,提出一种基于麻雀搜索算法的改进DBN模型,原创 2022-07-04 17:18:45 · 586 阅读 · 4 评论 -
《基于参数优化深度置信网络的齿轮故障严重程度检测(基于麻雀搜索算法)》
作者:盖景波突出提出一种基于麻雀搜索算法(SSA)的DBN参数优化方法SSA可以通过主观经验减少选择DBN参数引起的随机性和不稳定性。提出一种采用参数优化DBN的齿轮故障严重性检测方案参数优化的DBN 模型能够有效地自适应地从相似度高的故障信号中提出深层特征。与其他诊断方法相比,这种新型故障严重性检测方法具有更高的检测精度和更高的稳定性。抽象在齿轮故障诊断中,目前大多数只能故障诊断方法在故障识别方面表现出良好的分类性能。然而,然而,在检测故障严重程度时,由于监测信号之间的相似性高,诊断难度增加,需要提高诊断原创 2022-07-01 10:56:39 · 255 阅读 · 0 评论 -
DBN(深度置信网络)
受限玻尔兹曼机:提取特征用的,两层的结构。可见层和隐藏层,可见层输入以后,通过权值和偏置的叠加,变成概率的计算,决定隐藏层出现什么样的数据。而隐藏层可以反过来重构可见层,一直以这样的规则继续下去。这个过程就是吉布斯采样,吉布斯采样是一个逐渐逼近玻尔兹曼分布,最终的理想结果是最终迭代的结果和预先训练好的向量,达到分类的目的。除了分类的用途,另一个用途是,因为隐藏层在不断的迭代过程中会逐渐在一个概率范围内,这些概率就是输入进去的特征,在隐藏层抽取的特征是计算的概率。这些抽取的概率可以达到压缩数据的目的。受限玻尔原创 2022-06-07 14:16:17 · 24263 阅读 · 0 评论 -
GCN/GNN
图这个数据结构与之前讨论的文本是一个序列,图片是一个矩阵来说,图更加的复杂。对图神经网络的简单介绍。简介:图神经网络被用在处理图的结构和性质上面,构建一个图神经网络需要什么模块上现在的图神经网络是一个比较新的领域博客分成四个部分:首先是解释什么数据可以表示成一张图; 图跟别的数据有什么不一样的? 构建一个GNN,看一下各个模块长什么样子; 提供一个GNN 的playground解释什么是图:就是表示一些实体之间的关系,所谓的实体就是一些点,关系就是一些边;从左到.原创 2022-05-31 15:47:07 · 2123 阅读 · 0 评论 -
《基于卷积网络的修剪图特征学习,用于工业过程的故障诊断》论文阅读
作者:余建波突出提出一种修剪图卷积网络(PGCN)来学习过程变量的特征。 功能学习可提高故障检测和诊断性能。 PGCN为过程故障诊断提供了一种有效的方法 在连个基准测试过程中验证了PGCN的可行性和有效性抽象故障诊断模型的一个主要特性是从过程信号当中提取有效特征。但是,他们仍然难以构建输入数据之间的特征关联。本文提出了一种新的图神经网络-修剪图神经网络(PGCN),基于图数据进行特征学习。 一维过程数据通过图形构造方法转换成图形数据。图卷积网络(GCN)用于提取过程数据的特征。 PG原创 2022-05-28 15:22:55 · 1321 阅读 · 3 评论 -
残差网络—ResNet
ResNet-34再34层的ResNet的结构简图当中:首先是卷积层,然后是池化层,有连接线的结构就是一个残差结构再这个34层的ResNet是由一系列的残差结构组成的。最后通过一个平均池化层以及一个全脸基层也就是输出层组成的。这个网络的结构十分简单,基本就是堆叠残差结构组成的。ResNet结构的一些亮点:超深的网络结构(突破了1000层) 提出residual模块 使用BN加速训练简单的堆叠卷积层和池化层行不行?左边的图(论文当中),再堆叠在20层的网络结构的时候,模型的.原创 2022-05-19 16:47:01 · 11660 阅读 · 0 评论 -
BN—批量归一化
对于深度网络的训练是一个复杂的过程,只要是网络的前几层参数发生变化,后面基层就累计放大下去。一旦网络某一层的输入数据发生了变化,那么这一层网络就需要去适应学习这个新的数据的分布,所以在训练的过程中。训练数据一直发生变化,那么会将影响网络的训练速度。BN要解决的是在网络的训练过程中,中间层数据分布发生变化的情况。核心的想法是:尝试把一个小批量里面的均值和方差固定住,这个均值和方差是根据当前的数据算出来的。和是一个可以学习的参数。可以学习的是和,对每一个特征有一个对应的值作用在全连接层和原创 2022-05-18 15:46:41 · 337 阅读 · 0 评论 -
深度学习——Dropout层
在深度学习当中常用的技术就是防止过拟合化的。在模型的训练阶段,让隐藏的神经元一部分工作,一部分不工作。(1)神经元工作与不工作的比例是在写程序的时候可以设置参数的。(2)把输入x通过修改后的网络前向传播,然后把得到的损失结果通过修改的网络反向传播。一小批训练样本执行完这个过程后,在没有被删除的神经元上按照随机梯度下降法更新对应的参数(w,b)。在做权重的调整的时候,只是对没有删除(工作的)的神经元做调整。整个模型在训练结束,模型在做测试的阶段是向左边的标准的神经网络。(3)继续重复下原创 2022-05-18 14:17:42 · 2988 阅读 · 0 评论 -
模型选择+欠拟合和过拟合
模型选择怎么去选超参数训练误差和泛化误差训练误差:模型在训练数据上的误差(指模型看到的数据上有标号的数据上的误差)泛化误差:模型在新数据上的误差(我们所关心的是这个,是在新的数据上的误差)训练误差好并不代表着泛化误差好。怎么计算训练误差和泛化误差呢?一般来说有两种数据集,一个是验证数据集,另一个是测试数据集。验证数据集一个用来评估模型好坏的数据集。我们经常讲训练数据集分成一半一半,其中的一般是用来训练我们的模型参数,另一半验证数据集就是讲我们训练好的模型在验证数据集上测试一下原创 2022-05-15 11:17:00 · 223 阅读 · 0 评论 -
混淆矩阵 (Confusion Matrix)
假设现在有一个分类器A,这个分类器A的作用是告诉一张图片是不是汉堡,那我想知道这个分类器A的效果好不好,应该怎么办呢?最简单的方法是将大量的样本放进到费雷其A当中,让他自己判断这些图片是不是汉堡。经过上面的过程就可以得到一张表格:实际上这张表格是非常庞大的。有成千上万的图片,当他的维度十分大的时候是没办法看出来的。现在就是用一种方法能够直观地表示实验结果,但是又不损失其中的信息,那看一下他的输出结果都有什么样的情况,正式的类别就两种情况,他是汉堡和不是汉堡。而预测类别也是两种情况是汉..原创 2022-05-14 15:24:53 · 28754 阅读 · 2 评论 -
迁移学习和微调在CV中的应用
迁移学习的出发点:1.希望能在一个任务上学习一个模型然后可以用来解决一个相关的别的任务。2.迁移学习的出圈是在深度学习上,因为我们在深度学习里面训练很多的深层的神经网络,这些神经网络需要很多的数据,并且训练的代价也是很大的。意味着我们对一个任务很难去做一个很大的训练集,如果我们在一个任务上训练好的模型能在别的任务上能用是最好的了。迁移学习在途径上的几种方法:1.最简单的,训练好一个模型做成一个特征提取的模块(比如说:在文本上训练一个单层的神经网络然后每一个次会对应一个特征,然后用这个特征去做原创 2022-05-13 17:13:07 · 740 阅读 · 0 评论 -
《基于卷积神经网络的深度迁移学习,用于燃气轮机燃烧室的故障检测》论文阅读
作者:白明亮,杨旭生突出•深度迁移学习首先用于燃气轮机燃烧室的诊断。•基于CNN的微调首先用于提取燃气轮机之间的共享特征。•深度学习在燃气轮机诊断中的优越性得到了验证。•详细的可视化首先揭示了如何在燃气轮机之间共享要素。抽象基于数据驱动的故障检测的研究需要大量的历史数据,但是,对于运行时间比较短的新型燃气轮机,可用的历史数据相当少,可用的故障数据更少针对上面提出的问题。本文:首先提出燃汽轮机组故障诊断的概念。其次提出深度迁移学习首次被引入到燃气轮机燃烧室的故障检测当中原创 2022-05-12 16:56:09 · 1406 阅读 · 7 评论