文献

J-GLOBAL ID：201802226856899865   整理番号：18A1302455

診断健康モニタリングのための深い森林ベースの多変量分類【JST・京大機械翻訳】

Deep forest based multivariate classification for diagnostic health monitoring

著者 (4件)： Wang Cunsong (College of Automation Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, Jiangsu, PR China) ,  Lu Ningyun (College of Automation Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, Jiangsu, PR China) ,  Cheng Yuehua (College of Astronautics, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, Jiangsu, PR China) ,  Jiang Bin (College of Automation Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, Jiangsu, PR China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： CCDC  ページ： 6233-6238  発行年： 2018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： 事前知識のない診断ヘルスモニタリングは,依然として,Prognostic and Health Management(PHM)分野における困難な問題である。伝統的なアプローチは,一次元合成健康指標(SHI)を構築し,経験的価値に言及された異なるシステムの健康段階の閾値を設定することである。しかし,複雑なシステムのために適切なSHIと閾値を選択することに関してまだ解決すべき困難な問題があり,それは診断的健康モニタリングの結果に重大な影響を及ぼす重要な要因であった。このアプローチと比較して,診断ヘルスモニタリングのための多変量分類を達成するために,深い森林の新しい方法を提案した。まず第一に,スパearmanの相関に基づく教師なし特徴選択法を,自動的に冗長な特徴を取り除くために改良する。次に,k-平均アルゴリズムを導入して,劣化プロセスのステージ知識を獲得して,したがって,教師つき学習を達成した。最後に,深い森林方法を採用して,オンライン診断健康モニタリングのためのシステム健全性の分類モデルを得るために,データサンプルを訓練した。NASAデータセットに関する検証結果は,提案した診断ヘルスモニタリング方式が効果的で実行可能であることを実証した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *健全性 ,  一次元 ,  アルゴリズム ,  冗長性 ,  米国航空宇宙局 ,  教師つき学習
準シソーラス用語： 分類モデル ,  オンライン診断 ,  選択法 ,  健康状態指標 ,  ヘルスモニタリング ,  事前知識 ,  *多変量 ,  *健康 , 【Automatic Indexing@JST】

分類 (4件)： 自然保護  (SB06000L) ,  環境問題  (SA01020V) ,  森林保育  (FF03040H) ,  写真測量,空中写真  (RC02040D)

タイトルに関連する用語 (5件)： 診断 ,  モニタリング ,  森林 ,  多変量 ,  分類