-
公开(公告)号：CN108106844B
公开(公告)日：2019-09-13
申请号：CN201711169602.X
申请日：2017-11-22
Applicant: 辽宁大学
IPC: G01M13/045 , G05B13/02 , G05B13/04
Abstract: 一种自适应参数调节的自动编码机的轴承故障诊断方法，基本步骤如下：1)对轴承振动信号的采样；2)对轴承信号的预处理；3)对深度网络代价函数，结点数与结构确定；4)参数自适应调节；5)故障划分。该方法首先对当前数据做出降噪处理，在降噪的同时也进行降维处理，并通过归一化后的‘干净’数据进入深度网络进行训练，通过稀疏自动编码器的特性，对边缘降噪走动编码器隐含层神经元进行稀疏性限制，结合Ada‑grad学习策略不断调节当前学习率的参数使其达到最优，从而达到一种快收敛，高精度的分类效果。最后通过与传统的自动编码机在轴承故障分类上进行对比，从而验证本发明的有效性和鲁棒性强的特点。
-
Patent Agency Ranking
公开(公告)号：CN108106844A
公开(公告)日：2018-06-01
申请号：CN201711169602.X
申请日：2017-11-22
Applicant: 辽宁大学
Abstract: 一种自适应参数调节的自动编码机的轴承故障诊断方法，基本步骤如下：1)对轴承振动信号的采样；2)对轴承信号的预处理；3)对深度网络代价函数，结点数与结构确定；4)参数自适应调节；5)故障划分。该方法首先对当前数据做出降噪处理，在降噪的同时也进行降维处理，并通过归一化后的‘干净’数据进入深度网络进行训练，通过稀疏自动编码器的特性，对边缘降噪走动编码器隐含层神经元进行稀疏性限制，结合Ada‑grad学习策略不断调节当前学习率的参数使其达到最优，从而达到一种快收敛，高精度的分类效果。最后通过与传统的自动编码机在轴承故障分类上进行对比，从而验证本发明的有效性和鲁棒性强的特点。
-
公开(公告)号：CN107766887A
公开(公告)日：2018-03-06
申请号：CN201710993558.8
申请日：2017-10-23
Applicant: 辽宁大学
CPC classification number: G06K9/6223 , G06N3/126
Abstract: 本发明涉及一种局部加权的不完整数据混杂聚类方法，其步骤如下：（1）收集数据；（2）数据处理：随机使部分数据缺少部分属性，变成不完整数据；（3）数据估算：利用改进的遗传算法中的个体对缺失数据进行估算；（4）聚类分析：对估算的数据进行模糊聚类分析；本发明提出了一种改进的遗传算法优化局部加权的不完整数据混杂聚类算法（GLW-FCM），达到搜索全部问题空间找到最优解的目的。使用UCI标准测试数据集包括：Iris、Bupa、Wine和Breast。将本文所提出的算法与其他五种算法在Matlab环境下做对比实验分析，改进后的算法在整个问题空间隐含了并行性进行搜索最佳解，获得了更加理想的聚类结果。有效降低了平均误分数、平均错误分类标准差和平均迭代终止次数。
-
公开(公告)号：CN110110447B
公开(公告)日：2023-04-18
申请号：CN201910385160.5
申请日：2019-05-09
Applicant: 辽宁大学
IPC: G06F30/27 , G06N3/006 , G06N3/0499 , G06N3/08
Abstract: 一种混合蛙跳反馈极限学习机带钢厚度预测方法，包括以下步骤：1)分析采集的钢板数据信号；2)特征提取；3)在极限学习机中引入卡尔曼滤波思想，将网络的实际输出与期望输出的差值反馈给输入层，形成一种反馈极限学习机算法。同时运用混合蛙跳算法对反馈极限学习机算法的随机参数进行优化，构建一种混合蛙跳反馈极限学习机预测模型；4)将步骤3)所得的混合蛙跳反馈极限学习机用于带钢出口厚度的预测中，并与传统极限学习机以及混合蛙跳极限学习机进行结果对比，以此验证方法的有效性。本发明通过上述步骤，提供了一种的预测误差小，预测精度高，鲁棒性好的预测方法。
-
公开(公告)号：CN110110447A
公开(公告)日：2019-08-09
申请号：CN201910385160.5
申请日：2019-05-09
Applicant: 辽宁大学
Abstract: 一种混合蛙跳反馈极限学习机带钢厚度预测方法，包括以下步骤：1)分析采集的钢板数据信号；2)特征提取；3)在极限学习机中引入卡尔曼滤波思想，将网络的实际输出与期望输出的差值反馈给输入层，形成一种反馈极限学习机算法。同时运用混合蛙跳算法对反馈极限学习机算法的随机参数进行优化，构建一种混合蛙跳反馈极限学习机预测模型；4)将步骤3)所得的混合蛙跳反馈极限学习机用于带钢出口厚度的预测中，并与传统极限学习机以及混合蛙跳极限学习机进行结果对比，以此验证方法的有效性。本发明通过上述步骤，提供了一种的预测误差小，预测精度高，鲁棒性好的预测方法。
-
公开(公告)号：CN109034231A
公开(公告)日：2018-12-18
申请号：CN201810785729.2
申请日：2018-07-17
Applicant: 辽宁大学
CPC classification number: G06K9/6223 , G06K9/6256 , G06N3/0445 , G06N7/02
Abstract: 本发明涉及一种信息反馈RBF网络估值的不完整数据模糊聚类方法，步骤如下：1)提出信息反馈RBF网络模型；2)，提出一种信息反馈RBF数值型估值的不完整数据模糊聚类方法(IFRBF‑FCM)；3)利用最近邻规则为不完整数据样本选取相应的训练样本集，利用最近邻训练样本集为每个缺失属性训练IFRBF网络，从而实现对不完整数据样本中缺失属性的估值预测，得到IFRBF网络估值恢复后的完整数据集；4)对不完整数据属性的估值区间进行确定，提出了一种IFRBF区间型估值的不完整数据模糊聚类方法(IFRBF‑IFCM)，得到模糊聚类结果。本发明采用IFRBF网络对不完整数据集进行估值得到的恢复完整的数据集的聚类结果与对比方法相比提高了准确率，比数值型估值的聚类结果更准确，鲁棒性也更好。
-
-
-
-
-
Search Results
6
records
(took 0.024 seconds)
