- 博客(19)
- 收藏
- 关注
![](https://csdnimg.cn/release/blogv2/dist/pc/img/listFixedTop.png)
原创 2021-06-18
轴承性能退化趋势预测方法总结目前,轴承性能退化趋势预测方法包括两种情况:新数据容易获取情况可以考虑整体预测方法;但是个人觉得这不叫预测。数据难获取(轴承全寿命数据)迭代循环预测,考虑到工程实际问题,我更倾向迭代循环预测方法。其存在的问题是存在误差累积问题,但是更符合逻辑。...
2021-06-18 20:38:41
238
原创 JAVA学习文章(四)
数组声明创建语法dataType[],arrayRefVar = new dataType[arraySize] 数组的元素从0开始。获取数组长度array.lengh内存分析数组使用public class MeThod04 { public static void main(String[] args) { int [] arrays = {1,2,3,4,5} ; //定义 for (int i =0 ; i < arrays.lengt
2022-04-25 11:17:10
403
原创 Java自学文章(三)
Scanner进阶使用Scanner类就可以实现对输入内容的接收。通过Scanner 类的next()与nextline()方法获取输入字符串。流程控制结构顺序结构语句与语句之间自上而下连接起来。选择结构if单选择结构语法:if(表达式){}if双选择结构语法:if(布尔表达式){//如果表达式为True}else{//如果表达式为False}if多选择结构语法::if(布尔表达式1){//如果布尔表达式1为True,执行代码}else if(布尔表达式2){//如果布尔
2022-04-17 15:02:31
284
原创 Java学习文章(二)
JAVA运行机制编译型解释型JAVA基础语法(驼峰原则)注释、标识符、关键字注释注释分为单行注释//,多行注释/ */*,文档注释JAVADOC/ */ **标识符JAVA所有组成部分均需要名字。类名和变量名以及方法名均被称为标识符。标识符如下图2所示注意:3. 所有标识符均应该以A-Z或者a-z,美元符,下划线()开始;4. 首字符可以是A-Z或者a-z,美元符,下划线()或者任意数字组合;5. 不能使用关键字作为变量名或者方法名;6. 标识符是大小写敏感的;7. 可
2022-04-15 10:49:38
170
原创 Java学习文章(一)
计算机硬件与软件硬件包括鼠标,硬盘,内存条等软件分为系统软件与应用软件,系统软件主要为Windows,Mac等应用软件主要为QQ,微信等windows常用快捷键常用Dos命令盘符切换查看当前所有文件夹 dircd … (代表上一级)查看电脑IP ipconfig打开应用clac;mspaint常用Dos命令四级标题五级标题六级标题...
2022-04-14 19:09:53
846
原创 Keras中LSTM中units解释
Keras中Units解读 def __init__(self, units, activation='tanh', recurrent_activation='sigmoid', use_bias=True, kernel_initializer='glorot_uniform', recurrent_initializer=
2021-11-06 22:55:09
1296
原创 科学论文写作总结
为什么要写这篇科学论文写作总结? 我们在读研的过程中,避免不了论文写作,对我来说,论文写作也是一个难题。自己也有写作恐惧症,做到电脑前,实验结果得到却不知如何表达。抱着一颗不会就去学的态度,于是去某站学习论文写作,学习完之后应该需要总结一下学习的内容,不然就是感动了自己了吧,啥也没学到(仅针对自己而言)。科学论文构成 由前一部分介绍为什么这么做的原因,由此这一部分开始讲述怎么做。讲述科学论文通常由题目、作者、摘要、关键词、引言、方法、步骤、实验、讨论、结论、致谢、参考文献构成,其每一部分都至
2021-08-23 18:32:10
334
原创 时间序列相关性可视化
背景由于所使用的方法提到利用到时间序列之间的相关性,时间序列问题很多方向都是有的,例如(语音识别,电力负荷预测。。。),为此费了很大力气终于证明了时间序列的相关性。方法定性分析我所使用的是T-SNE可视化方法,,目前在可视化方面用的较多,其原因在于T-SNE关注数据局部之间的关系;在可视化过程中通过低维空间t分布来代替高维空间的高斯分布来达到目的,其不改变样本点间的时序性。定量分析定量分析使用的是夹角余弦值,具体可以百度和查看数理统计课本。可视化结果...
2021-07-13 20:07:19
428
原创 最小门控循环单元
最小门控循环单元背景目前,循环神经网络已在时序预测得到广泛的应用,从最初的RNN到97年提出的LSTM再到14年提出的GRU,其本身方法及其变体层出不穷,但是其网络结构均具有浩大的隐藏参数。基于此原因,研究者提出最小门控循环单元网络,其通过对网络结构的改变,保持预测的准确率同时减少网络结构的隐藏参数。原理输入门i以参数wi和bi确定时间t的新信息的哪一部分被添加到ct;输入被转换为带有参数Wc和bc的更新ct。属于c t和ct−1构成新的细胞状态ct;输出门由参数Wo和bo决定,控制哪个部分输出
2021-07-04 22:38:51
636
1
原创 总结与宣传
学习总结今天这篇博文不是具体的介绍方法也不是读论文的笔记。主要围绕以下两个方面介绍。首先,说一下近一年的学习和自身变化;其次,总结一下滚动轴承性能退化趋势预测的重要点和一些误区。学习和自身变化 今天是2021.5.1,首先和大家说下五一劳动节快乐。由于疫情去年的劳动节在家里度过,很快,转眼间一年过去;在这一年里,其中有很多心酸和高兴时刻;去年的这个时候自己连数据都不知道怎么读,整天的看论文,也不知道怎么实现,由于自己该死的自尊心,不想向别人低头,自己弄花费了很多时间也没弄出来,想起来也很好笑(哈哈哈
2021-05-01 16:50:02
168
原创 流形学习之拉普拉斯特征映射
首先,我们说一下流形学习;接着,我们重点介绍拉普拉斯特征映射算法;最后,本文将给出拉普拉斯特征特征映射算法代码。流形学习流形学习是一种非线性降维方法,能够从高维数据中发现低维流形结构,得到高维和低维之间的映射关系,从而实现数据的维数约简。**为什么要实现特征约简?**因为高维的数据存在数据量大并且高维数据输入到网络模型中训练难度较大,耗费时间长。流形学习展示图,其中包括Isomap(等距映射算法),LLP(局部保持投影),LE(拉普拉斯特征映射),LTSA()、MVU等拉普拉斯特征映射原理拉普
2021-01-29 01:43:29
4269
3
原创 频域统计特征介绍
频域特征介绍频域是通过傅里叶变换将时域进行变换,傅里叶变换具体请看https://blog.csdn.net/l494926429/article/details/51818012/,这是一位大牛,解释的很清除并且易懂。
2021-01-14 10:56:34
12930
21
原创 2020总结
2020总结回想这一年,发生了很多事,也好像也没有很多事。1.生活上变化对比2019年,今年的生活多彩!因为疫情,在家里生活了很长时间,从来没有这么长的时间在家里待过。在家里一个的时候回想到什么时候才能返校。后来到了学校没多长时间,学校不给留校,然后暑假的时候偷偷的跑到实验室学习,回想起来也是很有意思。2020生活好的方面1.以前上学为了钱担忧,错过了一些接触学习的机会,现在倒不会为经济上担忧。生活上还有一些意外的惊喜,买衣服,零食等等在实验室相处的也比较愉快2020生活坏的方面...
2021-01-01 02:23:58
464
2
原创 滚动轴承退化趋势预测
性能退化趋势预测总结个人觉得性能退化趋势预测比寿命预测做出东西简单一点,但是找问题的话都是不简单的,说到找问题,这就要写文献综述了,写文献综述的意义是找到你要解决的问题;看到这里就会问如何写文献综述?https://zhuanlan.zhihu.com/p/53322770(很详细)。性能退化趋势预测的关键步骤:1. 衰退性能指标的建立2. 预测模型的建立说白了预测模型就是拟合,不同的模型拟合程度不一样,重点是衰退指标的建立,衰退指标建立又和统计特征有关(时域、频域、时频域、三角函数等)。衰退指
2020-09-28 20:13:42
3091
16
原创 小波包能量特征提取
最近在弄小波包能量特征提取,可以说弄了很长时间。废话不多说,抓紧时间上重点!小波变换小波变换是处理低频的信息,但是对于高频却不能处理。不能处理非线性、非平稳的信号(例如滚动轴承)。小波包变化因为有不足,才会发展;知识也是这样,所以小波包问世。小波包变化弥补了小波变换的不足之处,即可对低频也可对高频信号处理;小波包能量特征提取我提取的是8维db3小波包能量特征,以上即是小波包树,其中节点的命名规则是从(1,0)开始,叫1号, (1,1)是2号………依此类推,(3,0)是7号,(3,7)是14号
2020-06-20 22:20:58
10493
1
原创 VGGNet网络模型
**背景介绍VGGNet网络模型是在2014年提出,同时也提出了GoogleNet;VGGNet有一个重要的idea,引入卷积层中使用了33卷积核,并连续多次33卷积核的卷积层。*为什么VGGNet网络模型使用连续的小卷积核?*连续多层小核卷积层不仅能够产生感知区域,还能带来性能上的优化。连续多层卷积的网络结构比单卷积层的网络结构能更有效地提取高维特征;大幅度减少CNN的权重参数;有效减少边界特征损失;VGGNet网络模型介绍输入层:输入为2242243或者1224224Bloc
2020-06-10 17:09:56
483
原创 LeNet5网络模型
LeNet5网络模型是卷积神经网络的开创性模型,提取了三大思想1.局部感知2.下采样3.权值共享LeNet5共分为7层;第一层:输入层:输入为3232的图像C1层(卷积层):使用6个大小为55的卷积核对输入图像进行卷积操作,卷积后得到特征尺寸为28,因此得到2828特征图S2层(下采样层):MAX polling操作,polling窗口为22,经过polling层后得到6个1414的特征图,作为下一层输入C3层(卷积层):使用16个大小为55的卷积核,输出为161010S4层(下采样层):
2020-06-03 22:11:39
769
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