文献

J-GLOBAL ID：201902298421546668   整理番号：19A1737352

パラメータ最適化SAE手法と軸受故障診断への応用【JST・京大機械翻訳】

Sparse Auto Encoder Model Based on Firefly Learning Optimization and its Application in Bearing Fault Recognition

著者 (3件)： Du Canyi (广東技術師范大学汽車与交通工程学院,广東广州,510665) ,  Lin Zusheng (厦門理工学院机械与汽車工程学院,福建厦門,361024) ,  Zhang Shaohui (厦門理工学院机械与汽車工程学院,福建厦門,361024)
資料名： Kongzhi Gongcheng  (Kongzhi Gongcheng)
巻： 26  号： 5  ページ： 957-964  発行年： 2019年 
JST資料番号： C2953A  ISSN： 1671-7848  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： スパース自動符号化(SparseAutoEncoder,SAE)は、一群の「超完備」基ベクトルを探すことで、入力データの内在構造とモードをマイニングし、高層出力が入力サンプルの類別情報をよりよく表現できる。その良好な次元低減性能は,機械装置の故障診断において広く適用されている。しかし、SAEモデルにおける隠れ層特徴の数は、低層入力パターンに対する高層出力の影響に直接影響し、隠れ層特徴数を簡単に設置することは理想的な認識効果が得られにくく、この問題に対して、ホタル最適化アルゴリズムの長所を利用し、各隠れ層の最適特徴数を確定する。その結果,最適SAEモデルを決定した。軸受シミュレーションおよび故障状態認識実験により,隠れ層特徴数決定後のスパース自動符号化モデルは,異なる試験サンプル数の下で,浅層構造およびランダムパラメータSAEモデルより良好な認識効果を得て,そして,より高い認識精度を得た。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： *軸受 ,  *故障診断 ,  *故障 ,  ベクトル ,  上層 ,  クラスタ ,  シミュレーション ,  次元縮小 ,  モデル
準シソーラス用語： 認識精度 ,  最適アルゴリズム ,  入力パターン ,  隠れ層 ,  スパース ,  *パラメータ最適化 , 【Automatic Indexing@JST】

分類 (3件)： 軸受  (QB01020W) ,  システム設計・解析  (IA02030D) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： パラメータ最適化 ,  SAE ,  手法 ,  軸受 ,  故障診断 ,  応用