振动、测试与诊断
振動、測試與診斷
진동、측시여진단
JOURNAL OF VIBRATION, MEASUREMENT & DIAGNOSIS
2013年
5期
897-901
,共5页
尹刚%张英堂%李志宁%任国全%孙宜权
尹剛%張英堂%李誌寧%任國全%孫宜權
윤강%장영당%리지저%임국전%손의권
极限学习机%learn++神经网络集成%故障诊断%小波包
極限學習機%learn++神經網絡集成%故障診斷%小波包
겁한학습궤%learn++신경망락집성%고장진단%소파포
为了改善在线贯序极限学习机的分类效果,进一步提高算法在小样本数据下的稳定性和泛化性,设计自适应网络集成机制,提出极限学习机改进算法.该算法借鉴learn++集成思想,通过计算增量学习时的分类准确率和隐层网络输出权值范数,在线调整集成输出中子网络的投票权值以及网络输入权值和节点偏置.UCI数据集及轴承故障的实验分析表明,与改进前相比,该算法分类准确率提高约1个百分点的同时,6个数据集100次实验的标准差分别降低了0.1~1.2个百分点.最后将该算法与小波包相结合应用于发动机的故障诊断中,取得了91.16%的分类准确率.
為瞭改善在線貫序極限學習機的分類效果,進一步提高算法在小樣本數據下的穩定性和汎化性,設計自適應網絡集成機製,提齣極限學習機改進算法.該算法藉鑒learn++集成思想,通過計算增量學習時的分類準確率和隱層網絡輸齣權值範數,在線調整集成輸齣中子網絡的投票權值以及網絡輸入權值和節點偏置.UCI數據集及軸承故障的實驗分析錶明,與改進前相比,該算法分類準確率提高約1箇百分點的同時,6箇數據集100次實驗的標準差分彆降低瞭0.1~1.2箇百分點.最後將該算法與小波包相結閤應用于髮動機的故障診斷中,取得瞭91.16%的分類準確率.
위료개선재선관서겁한학습궤적분류효과,진일보제고산법재소양본수거하적은정성화범화성,설계자괄응망락집성궤제,제출겁한학습궤개진산법.해산법차감learn++집성사상,통과계산증량학습시적분류준학솔화은층망락수출권치범수,재선조정집성수출중자망락적투표권치이급망락수입권치화절점편치.UCI수거집급축승고장적실험분석표명,여개진전상비,해산법분류준학솔제고약1개백분점적동시,6개수거집100차실험적표준차분별강저료0.1~1.2개백분점.최후장해산법여소파포상결합응용우발동궤적고장진단중,취득료91.16%적분류준학솔.