基于深度残差收缩网络和迁移学习的变工况轴承故障诊断

为了更快速、准确地提取轴承的故障特征,本文在卷积神经网络的基础上,引入残差项并添加软阈值和注意力机制,构建深度残差收缩网络,提取轴承的故障特征信息;并且为了避免出现神经元坏死现象,使用LeakReLU代替ReLU作为激活函数。由于轴承在实际应用中所处的工况并不固定,因此本文通过迁移学习方法,将训练的网络模型应用到不同工况中,并且对本文模型与传统的卷积神经网络模型在不同工况下轴承故障诊断的效果进行对比,验证本文所提方法的有效性。

基于K-means的改进协同过滤算法

协同过滤算法在推荐系统中得到了广泛的应用,但是随着数据的不断增长,用户相似度低、推荐准确性不高等问题也逐渐显现.针对上述问题,提出一种基于K-means的改进协同过滤算法.首先,通过K-means聚类算法将相似的用户进行聚类,在聚类过程中,利用欧几里得公式计算数据之间的距离,该算法得到聚类效果最好的簇数K;其次,将K值作为二分K-means算法的输入,通过该聚类算法得到最终的聚类结果;再次,通过改进之后的相似度公式得到目标用户的邻居用户集合;最后,通过预测评分公式预测项目的分值.实验表明,该算法在准确率、召回率以及F1指标上都有一定程度的提高.