文献

J-GLOBAL ID：201702217009057165   整理番号：17A1394413

LSTMニューラル網に基づく機械的状態予測【Powered by NICT】

Mechanical state prediction based on LSTM neural netwok

著者 (3件)： Chen Zaifa (Marine Engineering College, Dalian Maritime University, Dalian 116026, P.R. China) ,  Liu Yancheng (Marine Engineering College, Dalian Maritime University, Dalian 116026, P.R. China) ,  Liu Siyuan (Marine Engineering College, Dalian Maritime University, Dalian 116026, P.R. China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CCC  ページ： 3876-3881  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 有効機械的状態予測システムは現代の生産システムと産業に重要である。深学習アルゴリズムの方法として,リカレントニューラルネットワーク(RNN)は,時系列予測の分野においてますます重要な役割を果たしている。ハードトレーニングと勾配絶滅RNNモデルの問題を解決するために提案し,機械的状態(PMS)の予測に適用した長い短期記憶ネットワーク(LSTM)アルゴリズム。モータ軸受データに基づいて,シミュレーションを行った。軸受データの非定常を目指して,経験的モード分解(EMD)は,軸受データを分解固定単一に使用され,固有モード関数(IMF)エネルギーエントロピーは機械的状態の特徴として計算した。サポートベクトル回帰マシン(SVRM)と比較して,LSTMは機械的状態の単一段階予測においてより良好な結果を達成した。LSTMを機械状態予測とモニタリングに優れていることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 生産システム ,  学習アルゴリズム ,  ネットワーク ,  *状態推定 ,  軸受 ,  アルゴリズム ,  *予測
準シソーラス用語： サポートベクトル回帰 ,  固有モード関数 ,  経験的モード分解 ,  非定常性 ,  短期記憶 ,  時系列予測 ,  リカレントニューラルネットワーク ,  予測システム , 【Automatic Indexing@JST】

分類 (3件)： 信号理論  (ND02020G) ,  図形・画像処理一般  (JE04010I) ,  数理物理学  (BA03000W)

タイトルに関連する用語 (2件)： LSTM ,  状態予測