期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于MRSDAE-KPCA结合Bi-LST的滚动轴承剩余使用寿命预测
1
作者
古莹奎
陈家芳
石昌武
《噪声与振动控制》
CSCD
北大核心
2024年第3期95-100,145,共7页
针对现有滚动轴承剩余使用寿命预测方法在提取数据特征时没有充分考虑数据的内部分布,且在构建健康因子时还需要专家经验进行人工提取等问题,提出一种基于流形正则化堆栈去噪自编码器、核主成分分析并结合双向长短时记忆网络的滚动轴承...
针对现有滚动轴承剩余使用寿命预测方法在提取数据特征时没有充分考虑数据的内部分布,且在构建健康因子时还需要专家经验进行人工提取等问题,提出一种基于流形正则化堆栈去噪自编码器、核主成分分析并结合双向长短时记忆网络的滚动轴承剩余使用寿命预测方法。首先采用无监督的堆栈去噪自编码器网络对原始振动数据进行深层特征提取,并使用核主成分分析法进一步降维,以提高健康因子的指标稳定性;然后在堆栈去噪自编码器中加入流形正则化,最大程度保留编码器隐藏层内部的数据分布结构,提高模型提取数据特征的有效性。最后使用双向长短时记忆网络预测轴承的剩余使用寿命,并采用AdaMax优化算法对网络模型的超参数进行自适应寻优。分析结果表明,提出的滚动轴承剩余使用寿命预测方法具有更高的精度。
展开更多
关键词
故障诊断
滚动轴承
剩余使用寿命预测
健康因子
流形正则化堆栈去噪自编码器
双向长短时记忆网络
下载PDF
职称材料
基于L2,1范数和流形正则项的半监督谱聚类算法
被引量:
4
2
作者
杨婷
朱恒东
+2 位作者
马盈仓
汪义瑞
杨小飞
《山东大学学报(理学版)》
CAS
CSCD
北大核心
2021年第3期67-76,共10页
谱聚类算法受到相似矩阵的影响以及没有使用先验信息,使得聚类结果有很大的局限性。针对这一问题,提出了一种基于L2,1范数和流形正则项的半监督谱聚类算法。一方面借助L2,1范数的鲁棒性学习到合理的相似矩阵;另一方面充分利用监督信息,...
谱聚类算法受到相似矩阵的影响以及没有使用先验信息,使得聚类结果有很大的局限性。针对这一问题,提出了一种基于L2,1范数和流形正则项的半监督谱聚类算法。一方面借助L2,1范数的鲁棒性学习到合理的相似矩阵;另一方面充分利用监督信息,不仅指导了初始相似矩阵的构造,而且引入流形正则项去调整模型,从而改善聚类效果。实验结果表明,所提出的聚类算法在人工数据集和真实数据集上的聚类结果较其他聚类算法更加有效。
展开更多
关键词
L2
1范数
流形正则项
谱聚类
半监督学习
原文传递
自适应半监督邻域聚类算法
被引量:
3
3
作者
朱恒东
马盈仓
代雪珍
《山东大学学报(工学版)》
CAS
CSCD
北大核心
2021年第4期24-34,共11页
为了充分利用监督信息指导聚类过程,提出自适应半监督邻域聚类算法(adaptive semi-supervised neighborhood clustering algorithm, SSCAN)。引入监督矩阵与距离度量结合,构造合理的相似矩阵;充分利用监督信息,通过标签信息矩阵与流形...
为了充分利用监督信息指导聚类过程,提出自适应半监督邻域聚类算法(adaptive semi-supervised neighborhood clustering algorithm, SSCAN)。引入监督矩阵与距离度量结合,构造合理的相似矩阵;充分利用监督信息,通过标签信息矩阵与流形正则项结合调整模型,改善聚类效果。在多种数据集进行试验,并与其他聚类算法作对比,结果表明,SSCAN可以充分利用监督信息,提高聚类的准确率。
展开更多
关键词
半监督学习
流形正则项
标签信息
聚类
距离度量
原文传递
题名
基于MRSDAE-KPCA结合Bi-LST的滚动轴承剩余使用寿命预测
1
作者
古莹奎
陈家芳
石昌武
机构
江西理工大学机电工程学院
出处
《噪声与振动控制》
CSCD
北大核心
2024年第3期95-100,145,共7页
基金
国家自然科学基金资助项目(61963018)
江西省自然科学基金重点资助项目(20212ACB202004)。
文摘
针对现有滚动轴承剩余使用寿命预测方法在提取数据特征时没有充分考虑数据的内部分布,且在构建健康因子时还需要专家经验进行人工提取等问题,提出一种基于流形正则化堆栈去噪自编码器、核主成分分析并结合双向长短时记忆网络的滚动轴承剩余使用寿命预测方法。首先采用无监督的堆栈去噪自编码器网络对原始振动数据进行深层特征提取,并使用核主成分分析法进一步降维,以提高健康因子的指标稳定性;然后在堆栈去噪自编码器中加入流形正则化,最大程度保留编码器隐藏层内部的数据分布结构,提高模型提取数据特征的有效性。最后使用双向长短时记忆网络预测轴承的剩余使用寿命,并采用AdaMax优化算法对网络模型的超参数进行自适应寻优。分析结果表明,提出的滚动轴承剩余使用寿命预测方法具有更高的精度。
关键词
故障诊断
滚动轴承
剩余使用寿命预测
健康因子
流形正则化堆栈去噪自编码器
双向长短时记忆网络
Keywords
fault diagnosis
rolling bearing
residual useful life prediction
health factors
manifold
regular
ization stack denoising autoencoder
bi-directional long short-
term
memory network
分类号
TH17 [机械工程—机械制造及自动化]
下载PDF
职称材料
题名
基于L2,1范数和流形正则项的半监督谱聚类算法
被引量:
4
2
作者
杨婷
朱恒东
马盈仓
汪义瑞
杨小飞
机构
西安工程大学理学院
安康学院数学与统计学院
出处
《山东大学学报(理学版)》
CAS
CSCD
北大核心
2021年第3期67-76,共10页
基金
国家自然科学基金资助项目(11501435)
西安工程大学研究生创新基金资助项目(chx2020031)
安康学院专项基金资助(2019AYXNZX04)。
文摘
谱聚类算法受到相似矩阵的影响以及没有使用先验信息,使得聚类结果有很大的局限性。针对这一问题,提出了一种基于L2,1范数和流形正则项的半监督谱聚类算法。一方面借助L2,1范数的鲁棒性学习到合理的相似矩阵;另一方面充分利用监督信息,不仅指导了初始相似矩阵的构造,而且引入流形正则项去调整模型,从而改善聚类效果。实验结果表明,所提出的聚类算法在人工数据集和真实数据集上的聚类结果较其他聚类算法更加有效。
关键词
L2
1范数
流形正则项
谱聚类
半监督学习
Keywords
L2
1 norm
manifold
regular
ization
term
spectral clustering
semi-supervised learning
分类号
TP311 [自动化与计算机技术—计算机软件与理论]
原文传递
题名
自适应半监督邻域聚类算法
被引量:
3
3
作者
朱恒东
马盈仓
代雪珍
机构
西安工程大学理学院
西安交通工程学院
出处
《山东大学学报(工学版)》
CAS
CSCD
北大核心
2021年第4期24-34,共11页
基金
国家自然科学基金资助项目(61976130)
陕西省重点研发计划项目(2018KW-021)
陕西省自然科学基金资助项目(2020JQ-923)。
文摘
为了充分利用监督信息指导聚类过程,提出自适应半监督邻域聚类算法(adaptive semi-supervised neighborhood clustering algorithm, SSCAN)。引入监督矩阵与距离度量结合,构造合理的相似矩阵;充分利用监督信息,通过标签信息矩阵与流形正则项结合调整模型,改善聚类效果。在多种数据集进行试验,并与其他聚类算法作对比,结果表明,SSCAN可以充分利用监督信息,提高聚类的准确率。
关键词
半监督学习
流形正则项
标签信息
聚类
距离度量
Keywords
semi-supervised learning
manifold regular term
label information
clustering
distance measurement
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于MRSDAE-KPCA结合Bi-LST的滚动轴承剩余使用寿命预测
古莹奎
陈家芳
石昌武
《噪声与振动控制》
CSCD
北大核心
2024
0
下载PDF
职称材料
2
基于L2,1范数和流形正则项的半监督谱聚类算法
杨婷
朱恒东
马盈仓
汪义瑞
杨小飞
《山东大学学报(理学版)》
CAS
CSCD
北大核心
2021
4
原文传递
3
自适应半监督邻域聚类算法
朱恒东
马盈仓
代雪珍
《山东大学学报(工学版)》
CAS
CSCD
北大核心
2021
3
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部