-
公开(公告)号：CN109102005A
公开(公告)日：2018-12-28
申请号：CN201810812756.4
申请日：2018-07-23
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于浅层模型知识迁移的小样本深度学习方法。本发明首先对数据进行预处理，然后根据相关领域的先验知识和专家经验将原始信号变换到不同的变换域，计算人工特征。根据人工特征，选择不同的浅层模型，基于少量有标签样本数据进行训练。并根据分类准确率/预测误差等指标，对不同特征组合的不同浅层模型进行筛选，构成候选模型池。然后，基于上述候选模型池，选择模型对未标注的样本进行预测，得到预测标签，并将多个预测标签融合。将上述预测标签与已有的少量的有标签样本组合，共同构建训练集。针对具体任务，设计深度神经网络结构，基于上述混合训练集训练。通过旋转机械故障诊断数据集，验证了该方法的有效性。
-
公开(公告)号：CN109115491B
公开(公告)日：2020-04-24
申请号：CN201810939939.2
申请日：2018-10-16
Applicant: 杭州电子科技大学
IPC: G01M13/028
Abstract: 本发明公开了一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法。该方法首先获取不同故障模式下基座和支架等位置的频域特征信号；通过K均值算法确定输入特征的参考值，计算样本的相似度分布；构造反映输入与故障模式之间关系的投点统计表，并转换得到输入的证据矩阵表；基于粗糙集理论和信息熵计算输入信息源的分类能力和总体不确定度；确定输入信息源的可靠性和证据权重；利用证据推理规则融合输入样本向量激活的证据并根据融合结果确定故障模式。该方法能通过安装在船舶上的传感器获得的振动信号有效估计轴系推进系统机械故障模式，成本低，精度高，实现了电力推进船舶轴系推进系统机械故障的实时检测和精确诊断。
-
公开(公告)号：CN109115491A
公开(公告)日：2019-01-01
申请号：CN201810939939.2
申请日：2018-10-16
Applicant: 杭州电子科技大学
IPC: G01M13/02
Abstract: 本发明公开了一种电力推进船舶轴系推进系统机械故障诊断的证据融合方法。该方法首先获取不同故障模式下基座和支架等位置的频域特征信号；通过K均值算法确定输入特征的参考值，计算样本的相似度分布；构造反映输入与故障模式之间关系的投点统计表，并转换得到输入的证据矩阵表；基于粗糙集理论和信息熵计算输入信息源的分类能力和总体不确定度；确定输入信息源的可靠性和证据权重；利用证据推理规则融合输入样本向量激活的证据并根据融合结果确定故障模式。该方法能通过安装在船舶上的传感器获得的振动信号有效估计轴系推进系统机械故障模式，成本低，精度高，实现了电力推进船舶轴系推进系统机械故障的实时检测和精确诊断。
-
公开(公告)号：CN109102005B
公开(公告)日：2020-08-18
申请号：CN201810812756.4
申请日：2018-07-23
Applicant: 杭州电子科技大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于浅层模型知识迁移的小样本深度学习方法。本发明首先对数据进行预处理，然后根据相关领域的先验知识和专家经验将原始信号变换到不同的变换域，计算人工特征。根据人工特征，选择不同的浅层模型，基于少量有标签样本数据进行训练。并根据分类准确率/预测误差等指标，对不同特征组合的不同浅层模型进行筛选，构成候选模型池。然后，基于上述候选模型池，选择模型对未标注的样本进行预测，得到预测标签，并将多个预测标签融合。将上述预测标签与已有的少量的有标签样本组合，共同构建训练集。针对具体任务，设计深度神经网络结构，基于上述混合训练集训练。通过旋转机械故障诊断数据集，验证了该方法的有效性。
-
-
-
Search Results
4
records
(took 0.024 seconds)
