基于深度学习的轴承故障识别-选择神经网络模型

在知网和google学术看了很多文献,用到最多的就是四大类。

1.自编码器

2.DBN

3.CNN

4.LSTM

自编码器在分类上的表现我总觉得一般般,所以没选。

剩下三种都是大量文献,其中DBN在keras上好像没有现成的,CNN和LSTM都可以在keras上面直接构建。CWRU数据集是包含轴承故障信息的一维数据,CNN有一维卷积操作;LSTM善于处理和时间序列有关的特征,其本身也是为了解决CNN不能处理时序数据的问题出现的,我当时想的是轴承的故障变化情况肯定也是随着时间情况变化的,用LSTM应该更好,不过后来发现数据集没包含时间信息。还有一种想法就是结合CNN和LSTM,比如用CNN提取特征,再用LSTM训练。

各种网络的原理我主要看的是李玉鑑的深度学习导论及案例分析,CNN和LSTM的原理邱锡鹏的神经网络与深度学习讲的也很好。


点击此处返回总目录:基于深度学习的轴承故障识别

评论 8
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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