排序方式: 共有5条查询结果,搜索用时 15 毫秒
1
1.
针对条件深度卷积生成式对抗网络(conditional deep convolutional generative adversarial network ,简称C-DCGAN)在训练过程中出现的不稳定性问题,提出具有随机梯度下降的双时间尺度更新规则(two time-scale update rule,简称TTUR)用于C-DCGAN机械故障诊断模型训练中,在判别器和生成器具有单独学习速率的情况下提高模型的稳定性。首先,给出了TTUR在C?DCGAN模型中收敛性证明;其次,在西储大学轴承数据集(Case Western Reserve University,简称CWUR)和实验室行星齿轮箱数据集上验证其有效性;最后,引入Jensen-Shannon 散度(Jensen-Shannon divergence,简称JSD)指标评估模型捕获到的真实数据和生成数据之间的相似度。实验结果表明,TTUR提高了C-DCGAN的学习能力,优于传统的C-DCGAN。 相似文献
2.
3.
4.
为了提高煤矿机械设备可靠性、降低维修成本,提出一种基于改进的集成经验模态分解(MEEMD)样本熵与天牛须搜索(BAS)算法优化BP神经网络的轴承故障诊断方法。首先,利用MEEMD算法分解振动信号并根据峭度准则和相关系数筛选出主要IMF分量;其次,提取前4阶分量的样本熵;最后,将样本熵值归一化后组成特征向量输入到BAS-BP分类器中,利用BAS算法搜索最佳参数进行故障诊断。利用凯斯西储大学的轴承数据集进行分析,并与BP、GA-BP神经网络的诊断结果进行对比,结果表明,该方法能够有效识别出轴承故障,分类效果优于BP、GA-BP神经网络,分类准确率达到95%。 相似文献
5.
1