文献

J-GLOBAL ID：201702270740613915   整理番号：17A0825745

故障診断のための深いモデルに基づく領域適応【Powered by NICT】

Deep Model Based Domain Adaptation for Fault Diagnosis

著者 (6件)： Lu Weining (Department of Automation, Tsinghua University, Beijing, China) ,  Liang Bin (Department of Automation, Tsinghua University, Beijing, China) ,  Cheng Yu (IBM Thomas J. Watson Research Center, Yorktown Heights, NY, USA) ,  Meng Deshan (Harbin Institute of Technology Shenzhen Graduate School, Shenzhen, China) ,  Yang Jun (Graduate School at Shenzhen, Tsinghua University, Shenzhen, China) ,  Zhang Tao (Department of Automation, Tsinghua University, Beijing, China)
資料名： IEEE Transactions on Industrial Electronics  (IEEE Transactions on Industrial Electronics)
巻： 64  号： 3  ページ： 2296-2305  発行年： 2017年 
JST資料番号： C0234A  ISSN： 0278-0046  CODEN： ITIED6  資料種別： 逐次刊行物 (A)
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： 近年,機械学習技術は,故障診断のための多くの問題を解決するために広く使用されている。しかし,多くの実世界故障診断応用における,源領域データ(モデルは訓練された)の分布は目標領域データ(学習したモデルを実際に展開される)の分布,性能劣化をもたらすとは異なっていた。本論文では,ドメイン適応,分類器を適用することによって,この問題への解答を見つけることができるまたは異なるが関連した目標領域における利用のためのソース領域における訓練された回帰モデルを導入した。特に,故障診断のための領域適応を用いた新しい深層ニューラルネットワークモデルを提案した。二つの主要な寄与は,以前の研究と比較することにより結論した:第一に,提案したモデルが元のデータの代表的な情報を強化ドメイン適応を利用できるので,標的領域で高い分類精度を達成でき,第二に,著者らはモデルの最適ハイパーパラメータを調べるためにいくつかの戦略を提案した。,いくつかの実世界データセット上で,実験結果は,有効性とパラメータのために提案されたモデルと探索戦略の両方の信頼性を実証した。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： 学習 ,  深層 ,  *故障診断 ,  *モデル ,  信頼性 ,  回帰モデル
準シソーラス用語： ハイパーパラメータ ,  分類精度 ,  神経回路網モデル ,  性能劣化 ,  機械学習技術 , 【Automatic Indexing@JST】

分類 (1件)： 信頼性  (KB04040H)

タイトルに関連する用語 (3件)： 故障診断 ,  モデル ,  適応