基于深度学习的轴承故障识别-LSTM与CNN对比

最新推荐文章于 2023-12-14 20:47:37 发布
最新推荐文章于 2023-12-14 20:47:37 发布
阅读量1.2w 收藏 44
点赞数 7
分类专栏： 深度学习 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zhangjiali12011/article/details/102722777
版权

1024程序员节快乐~

根据前两篇博文的实验结果，可以看出，两种模型相比，基于卷积神经网络的轴承故障诊断模型在各方面性能都更为优异。准确率比基于长短时记忆网络的轴承故障诊断模型高出近10%，而训练用时要节省近15分钟。其实对我来说最关键的是CNN训练快啊，我的电脑不是n卡，没有gpu加速，训练一次15分钟实在是有点膈应人（这期间占着我的内存我还不能开模拟器挂游戏）。

LSTM与CNN实验结果对比

网络模型

acc

loss

训练用时

LSTM

0.8716
最低0.47元/天 解锁文章
轴承寿命预测 | 基于CNN卷积神经网络算法的轴承寿命预测附matlab完整代码
默默科研仔的博客
10-27 261
轴承寿命预测 | 基于CNN卷积神经网络算法的轴承寿命预测附matlab完整代码
轴承寿命预测 | 基于TCN时间卷积神经网络算法的轴承寿命预测附matlab完整代码
最新发布
默默科研仔的博客
09-30 434
轴承寿命预测 | 基于TCN时间卷积神经网络算法的轴承寿命预测附matlab完整代码
（论文加源码）基于deap的脑电情绪识别分别使用cnn和lstm对比
qq_45874683的博客
03-17 3610
在本文中，我们比较了深度学习模型：长短时记忆（LSTM）和卷积神经网络（CNN）在80-20次和75-25次训练测试分割比例中的表现。LSTM对like维度的情绪的识别率最高，为88.6%。CNN也给出了87.72%的准确率，因为它能够从输入信号中提取空间特征。因此，在这种情况下，这两种模型都非常好。 在本文中，我们提出了两种深度学习模型LSTM（长-短期记忆）和CNN（卷积神经网络）之间的一个独特比较，在这两种结构中，我们将预处理的DEAP数据分为两个部分（训练集和测试集），即75-25和80-20，在
看图说话——CNN和LSTM的联合应用
热门推荐
雨石
01-21 9万+
看图说话是深度学习波及的领域之一。其基本思想是利用卷积神经网络来做图像的特征提取，利用LSTM来生成描述。但这算是深度学习中热门的两大模型为数不多的联合应用了。 本文是参考文献[1]的笔记，论文是比较早的论文，15年就已经发表了，不新。但还是想写下来它的细节以备后用。 关于CNN(卷积神经网络)和LSTM(长短期记忆网络)的细节，本文不再赘述其细节。读者们需要了解的是： 卷积神经网络是一种
请你说说CNN，RNN，LSTM，Transformer之间的优缺点
yyaannnnnnnn的博客
01-11 1万+
CNN概念： 传统意义上的多层神经网络是只有输入层、隐藏层、输出层，其中隐藏层的层数按需决定。而卷积神经网络CNN，在传统的多层神经网络基础上，全连接层前面加入了部分连接的卷积层、激活层和池化层操作，使得实际应用场景中能够构建更加深层、功能更强大的网络。
cnn、rnn和lstm的区别
Ldu_wukong的博客
04-24 7580
我们都知道cnn和lstm的本质区别是有无记忆功能，也就是联想的能力，cnn只能够识别出一部分的特征，而lstm可以根据上下文得出结论。 但是我产生了一个问题，如何才能从他们的流程中找到区别，问什么不在RNN上直接加一个dropout层，或者将cnn改为时间序列。 首先看一下cnn、Rnn和lstm的原理图： 如下 cnn： RNN： lstm： 首先我想谈一下cnn与RNN，为什么不...
基于tensorflow的CNN和LSTM文本情感分析对比（附完整代码）
一路狂奔的猪的博客
01-08 5万+
如今科技日益发展、网络技术不断深入到大众生活中，贴吧、网站、电子邮件，用户评论等使得人们有更多的便捷方式在网络中发表自己的意见和看法。这些数量庞大的文本中的情感信息有着极大的研究价值和实用价值。而如何能够从众多文本信息和数据中准确而高效地分析出文本中所蕴含的情感，并判断情感极性，对情感做出分类，是目前自然语言处理中的一个热门研究课题。关于文本情感分析，在此之前国内外专家和学者们都已经做了大量的研究...
CNN,RNN,LSTM区别
u011473714的专栏
07-24 2万+
(一)CNN 卷积神经网络 在机器学习中，卷积神经网络是一种深度前馈人工神经网络，已成功地应用于图像识别。 [1]  卷积神经网络，是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。 卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络常应用于序列类的数据处理；二维卷积神经网络常应用于图像类文本的识别；三...
在NLP上，CNN、RNN（认为LSTM等变体也是RNN）、最简单全连结MLP，三者相比，各有何优劣?
朝闻道
02-09 1102
作者：竹间智能 Emotibot 链接：https://www.zhihu.com/question/41625896/answer/164031457 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 MLP咱们就不说了，显然这个是要垫底的，在此不做讨论。MLP可以被视作一个分类器，单纯用它的话当然不如采用CNN/LSTM做特征提取／句子表示的方法来的好。 我们可以先来看几种典型的架构。 首先是最经典的Richard Socher和Andrew Ng的这篇Recu.
LSTM与CNN-LSTM做对比，采用相同的数据，可以看出，CNN-LSTM的预测精度明显高于LSTM，matlab
m0_69461531的博客
04-11 6833
LSTM与CNN-LSTM做对比，采用相同的数据，可以看出，CNN-LSTM的预测精度明显高于LSTM，matlab ID:8869668797951151幸福生活
基于Pytorch框架的CNN-LSTM模型在CWRU轴承故障诊断的应用
02-05
在当前的项目中，我们利用了深度学习框架PyTorch构建了一个融合了卷积神经网络（CNN）与长短期记忆网络（LSTM）的模型，专门用于CWRU（Case Western Reserve University）轴承的故障诊断。CWRU轴承数据集是广泛使用...
使用3DCNN和卷积LSTM进行手势识别学习时空特征
02-25
使用3DCNN和卷积LSTM进行手势识别学习时空特征
改进CNN-LSTM模型在滚动轴承故障诊断中的应用
05-06
因此, 本文提出了一种基于改进的一维卷积神经网络(1D-CNN)和长短期记忆网络(LSTM)集成的滚动轴承故障诊断方法(1D-CNN-LSTM). 首先, 利用改进的1D-CNN-LSTM模型对滚动轴承6种不同的工作状态进行了分类识别实验, 实验...
基于深度学习的轴承故障识别-构建基础的CNN模型
Jiali Zhang的博客
09-25 1万+
上回书说到，处理序列的基本深度学习算法分别是循环神经网络（recurrent neural network）和一维卷积神经网络（1D convnet）。上篇构建了基础的LSTM模型，这一篇自然轮到CNN了。 目录 CNN介绍 1.卷积层 2.池化层 3.全连接层 4.优化器和损失函数 构建CNN模型 CNN介绍 卷积神经网络是多级神经网络，分为滤波级和分类级两级。滤波级用来对初始...
基于深度学习的轴承故障识别-构建基础的LSTM模型
Jiali Zhang的博客
09-04 1万+
构建基础LSTM模型，并测试其识别效果。
RNN,LSTM,CNN,RCNN的优缺点
m0_68178753的博客
12-14 4127
循环卷积神经网络(Recurrent Convolutional Neural Network,RCNN)是一种结合了卷积神经网络 (CNN)和循环神经网络(RNN)的模型，它在处理序列数据时具有一定的优势和缺点。这些门控结构能够控制信息的流动和保留，使得网络能够有选择地记忆和遗忘输入序列中的信息，从而更好地处理序列数据。总体来说，循环卷积神经网络在处理序列数据时具有一定的优势，但也存在一些限制和挑战、在实际应用中，需要根据具体任务和数提特点来选择合适的模型结构。这有助于提高模型的训练效率和泛化能力。
基于LSTM的轴承故障诊断
FUCCKL的博客
05-21 1万+
有一段时间没有更新博客了，今天写一篇以前研究的LSTM应用于轴承故障诊断 数据集来源与处理方式与这篇文章里相同https://blog.csdn.net/FUCCKL/article/details/88169151 模型结构很简单 def create_model(): model = Sequential() #输入数据的shape为(n_samples, timest...
北大提出Gate Decorator，利用LSTM思想来做CNN剪枝
我爱计算机视觉
09-24 388
点击我爱计算机视觉标星，更快获取CVML新技术本文经机器之心（微信公众号：almosthuman2014）授权转载，禁止二次转载选自arXiv作者：Zhonghui You等机器之心编译...
使用TF Keras比较dnn cnn和lstm
weixin_26711425的博客
09-09 827
快速浏览不同的神经网络架构，它们的优缺点。 (A quick look at the different neural network architectures, their advantages and disadvantages.) Experimental Machine learning is turning out to be so much fun! After my invest...
评论 17
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

zhangjiali12011

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值
>