排序方式: 共有24条查询结果,搜索用时 93 毫秒
1.
用于心律失常识别的LSTM和CNN并行组合模型 总被引:2,自引:1,他引:1
心脏病是导致人类死亡的首要原因,而大部分心血管疾病往往伴随着心律失常出现.为实现对不同类型心电图信号的自动分析、识别异常心律,研究并提出了一种基于深度学习的心拍分类算法.考虑到心电图自身的特性,使用长短时记忆网络来捕捉心电序列数据的前后依赖关系,结合卷积神经网络提取局部相关特征,自动识别5种不同类型的心拍.基于LSTM和CNN的深度学习方法将经过预处理的心电信号后直接作为网络的输入,将心电分类的特征提取、分类两个步骤融合为单个学习器.针对类别数据不平衡问题,通过对少数类样本滑窗采样获得更多训练数据.使用MIT-BIH数据集验证模型的有效性,最终在测试集2万多个心拍记录中分类结果准确率达到99.11%,特异性为99.44%,灵敏度为97.27%,此外滑窗采样操作对少数类样本的灵敏度有明显改善.实验结果表明,相比传统的SVM和随机森林等方法,基于LSTM和CNN的并行组合模型不需要人工提取复杂特征,且达到了更好的分类性能,适合用于可穿戴式心电设备和远程监护领域. 相似文献
2.
基于深度学习和迁移学习的液压泵健康评估方法 总被引:2,自引:0,他引:2
对液压泵建立健康评估模型需要大量训练数据,然而由于其工作条件随时间的地点变化,使得获取特定条件下的数据比较困难。为了在目标数据不足的条件下对液压泵建立健康评估模型,提出了一种深度学习和迁移学习的液压泵健康评估方法。首先,通过卷积神经网络的方法对已有大量历史条件下液压泵振动的频域信号建立预测模型,再用迁移学习的思想在少量目标液压泵数据上对深度学习模型进行微调。实验结果表明,该方法可以有效地提高预测准确率。 相似文献
3.
4.
随着地铁等地下工程在各大城市的快速发展,盾构装备的健康维护备受关注。刀盘作为盾构装备的主要功能部件之一,其易于损耗但却不易被直接检测,并可直接影响盾构推进效率和工期的按时完成。基于刀盘机理模型的传统分析方法受限于实际工程复杂工况与盾构机复杂结构,难以进行准确评估。为此,提出一种基于数据驱动的盾构机刀盘健康评估方法,即通过t-分布随机邻域嵌入(t-distribution stochastic neighbor embedding, t-SNE)模型,建立盾构装备传感器数据在特征空间与刀盘健康状态的映射关系,从而对刀盘性能衰退进行量化评估。其方法主要步骤包括:(1)刀盘性能相关传感数据预处理与初步特征提取;(2)在特征空间进行内蕴流形分布分析,基于t-SNE模型降维得到低维优化特征;(3)在优化后的特征空间构造马氏距离度量,得到刀盘性能衰退的量化评估。通过在实际盾构掘进工程中验证,结果表明:基于盾构装备实际运行数据,该方法能准确地反映刀盘性能状态。 相似文献
5.
为保证港口物流的运行安全,针对港口机械的作业条件和现场环境设计了一种基于ZigBee无线传感网络的港口机械监测系统.该系统通过组建ZigBee无线传感网络采集和监测港口机械的作业状态参数、性能参数、环境参数等实况信息,通过TCP/IP协议传输到服务器;设计基于实况数据的港口虚拟场景模块,并根据服务器端的故障诊断专家系统判定港口机械的运行状态,及时发送报警信息.介绍了系统的硬件和软件的设计思想和实现方法,实现了对港口机械的实时监测,保障了港口物流的安全运行,降低了维护成本. 相似文献
6.
为了实时监控飞机机身的对接过程,针对机身对接数据没有标注和样本不平衡的特点,提出基于梯度提升树(GBDT)的机身对接状态识别方法. 通过定位器及定位器上的载荷传感器,实时获取机身对接过程中的位移和载荷数据. 结合飞机部件对接的工艺流程对历史对接数据进行状态标注,提出准确、高效的对接状态自动标注方法. 在经过标注的对接数据上训练基于GBDT的机身对接状态识别模型,通过该模型可以获得各个特征的重要性. 与长短期记忆网络(LSTM)、卷积神经网络(CNN)以及一些传统机器学习方法相比,该方法对接状态识别的宏F1(macro_F1)指标高达0.998,能够精准地识别每一种对接状态且训练速度较快. 相似文献
7.
针对实时工况下起重机回转系统整体健康状况难以评估的问题,研究基于拉普拉斯映射与Kullback-Leibler距离结合的回转系统整体健康评估方法。在采集回转系统的多维信号后,使用随机森林和拉普拉斯映射对信号进行降噪降维,然后结合回转系统工作原理,利用高斯核密度估计表征回转系统健康性能,最后通过概率密度计算不同回转系统之间的Kullback-Leibler距离,实现回转系统健康性能的评估。试验结果表明,该方法能避免数据中的噪声干扰,健康评估结果与专家评估结果相一致。 相似文献
8.
9.
10.
针对交流电机故障诊断问题,提出了1种纠错编码输出向量机故障诊断方法。通过试验系统采集了正常电机、内置断条、内置不对中和转子不平衡4类电机的振动信号。对振动信号进行小波包分解、重构处理提取分解后各个频段的特征向量。通过纠错输出编码将多分类问题转化为多个二分类问题求解的思想,以编码的形式,利用纠错编码矩阵每列的码位值对训练样本进行重新分类,构造出若干个互不相关的二分类支持向量机,基于最小汉明距离原则检验测试样本的类别归属。该方法纠正由单分类器引起的偏差,提高了在多分类问题中的分类精度。实验结果表明该方法可达到诊断分类的目的。 相似文献