本文主要研究内容
作者杨宇,张娜,程军圣（2019）在《全参数动态学习深度信念网络在滚动轴承寿命预测中的应用》一文中研究指出：相对于传统的"对信号进行特征提取+人工选择对数据敏感的特征值+预测模型"的滚动轴承寿命预测方法,深度信念网络(DBN)有显著的优势:DBN可以直接处理原始数据,让机器自动学习信号特征,从而免去了特征提取和选择的过程,提高了预测的智能性。但是传统的DBN采用固定学习率进行网络学习,不利于寻找最优结果;基于此,提出了一种改进的深度信念网络——全参数动态学习深度信念网络(GPDLDBN),并将其应用于滚动轴承寿命预测中。GPDLDBN预测模型由多层受限玻尔兹曼机(RBM)单元组成,采用自下而上的逐层无监督贪婪算法训练参数;接着采用自上而下的监督学习算法微调整个网络参数,两个过程均采用新的全参数动态学习策略设置各参数;采用GPDLDBN预测模型对实测的滚动轴承寿命数据进行了预测,并与传统的固定学习率的DBN预测模型进行了对比分析。结果表明,GPDLDBN预测模型能够有效加快收敛速度,减少模型的训练时间,且具有更高的预测精度。
Abstract
xiang dui yu chuan tong de "dui xin hao jin hang te zheng di qu +ren gong shua ze dui shu ju min gan de te zheng zhi +yu ce mo xing "de gun dong zhou cheng shou ming yu ce fang fa ,shen du xin nian wang lao (DBN)you xian zhe de you shi :DBNke yi zhi jie chu li yuan shi shu ju ,rang ji qi zi dong xue xi xin hao te zheng ,cong er mian qu le te zheng di qu he shua ze de guo cheng ,di gao le yu ce de zhi neng xing 。dan shi chuan tong de DBNcai yong gu ding xue xi lv jin hang wang lao xue xi ,bu li yu xun zhao zui you jie guo ;ji yu ci ,di chu le yi chong gai jin de shen du xin nian wang lao ——quan can shu dong tai xue xi shen du xin nian wang lao (GPDLDBN),bing jiang ji ying yong yu gun dong zhou cheng shou ming yu ce zhong 。GPDLDBNyu ce mo xing you duo ceng shou xian bo er ci man ji (RBM)chan yuan zu cheng ,cai yong zi xia er shang de zhu ceng mo jian du tan lan suan fa xun lian can shu ;jie zhao cai yong zi shang er xia de jian du xue xi suan fa wei diao zheng ge wang lao can shu ,liang ge guo cheng jun cai yong xin de quan can shu dong tai xue xi ce lve she zhi ge can shu ;cai yong GPDLDBNyu ce mo xing dui shi ce de gun dong zhou cheng shou ming shu ju jin hang le yu ce ,bing yu chuan tong de gu ding xue xi lv de DBNyu ce mo xing jin hang le dui bi fen xi 。jie guo biao ming ,GPDLDBNyu ce mo xing neng gou you xiao jia kuai shou lian su du ,jian shao mo xing de xun lian shi jian ,ju ju you geng gao de yu ce jing du 。
论文参考文献
论文详细介绍
论文作者分别是来自振动与冲击的杨宇,张娜,程军圣，发表于刊物振动与冲击2019年10期论文，是一篇关于深度学习论文,滚动轴承论文,寿命预测论文,振动与冲击2019年10期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自振动与冲击2019年10期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：深度学习论文; 滚动轴承论文; 寿命预测论文; 振动与冲击2019年10期论文;