期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
基于MSCNN-LSTM的滚动轴承剩余寿命预测方法 被引量:11
1
作者 胡城豪 胡昌华 +2 位作者 司小胜 杜党波 高旭东 《中国测试》 CAS 北大核心 2020年第9期103-110,共8页
针对现有卷积神经网络(convolutional neural network,CNN)与长短时记忆网络(long short-term memory,LSTM)堆叠的寿命预测方法忽略低层次信息的问题,引入多尺度技术,提出一种多尺度卷积长短时记忆网络模型(multi-scale CNN-LSTM,MSCNN-... 针对现有卷积神经网络(convolutional neural network,CNN)与长短时记忆网络(long short-term memory,LSTM)堆叠的寿命预测方法忽略低层次信息的问题,引入多尺度技术,提出一种多尺度卷积长短时记忆网络模型(multi-scale CNN-LSTM,MSCNN-LSTM)。将CNN的输出由单一尺度转换为多尺度,以充分学习CNN模块提取到的不同层次退化特征。首先采用小波变换获取退化信号的时频信息,并根据初始时刻标准差划分健康阶段;而后利用退化阶段监测数据训练所构建的多尺度网络;最后使用该网络预测旋转机械剩余寿命。在PHM 2012轴承数据集上的验证结果表明,所提MSCNN-LSTM模型能够同时学习退化数据中的低层次和高层次信息,有效提高轴承的剩余寿命预测精度。 展开更多
关键词 轴承 CNN LSTM 剩余寿命预测 多尺度技术
下载PDF
考虑多种贝叶斯神经网络分布形式组合的设备剩余寿命预测方法 被引量:6
2
作者 胡城豪 胡昌华 《电光与控制》 CSCD 北大核心 2021年第11期79-83,共5页
基于dropout NN(dropout Neural Network)的设备剩余寿命(RUL)预测方法因使用具有固定分布形式的先验与近似后验的贝叶斯神经网络(BNN)导致预测精度较低。为解决该问题,提出基于高斯近似后验BNN的RUL预测方法和基于混合高斯-伯努利网络... 基于dropout NN(dropout Neural Network)的设备剩余寿命(RUL)预测方法因使用具有固定分布形式的先验与近似后验的贝叶斯神经网络(BNN)导致预测精度较低。为解决该问题,提出基于高斯近似后验BNN的RUL预测方法和基于混合高斯-伯努利网络的设备RUL预测方法,前者引入混合高斯分布作为先验,通过对参数梯度进行无偏蒙特卡罗估计以优化BNN,后者引入一种离散化的高斯先验分布以正确地定义KL散度,进而可以优化BNN。在PHM 2012轴承数据集上的验证结果表明所构建的混合高斯-高斯网络效果好于dropout NN,证明了改变分布组合可以获得更好的预测效果。 展开更多
关键词 设备剩余寿命预测 深度学习 贝叶斯神经网络 混合高斯-高斯网络
下载PDF
3
作者 胡城豪 黄水莲(指导) 《小学生之友(阅读写作版)(下旬)》 2023年第12期46-46,共1页
泛舟西湖,忽见一片粉红,凑前一观,竟是荷花。这片荷花迎着夏日,伴着微风,轻轻摇曳生姿,无数荷叶托着荷花,翠绿衬粉红,好一处绝景,令人流连。莲是花中君子。自古以来,描写莲的诗句很多,比如“接天莲叶无穷碧,映日荷花别样红”即指我现在... 泛舟西湖,忽见一片粉红,凑前一观,竟是荷花。这片荷花迎着夏日,伴着微风,轻轻摇曳生姿,无数荷叶托着荷花,翠绿衬粉红,好一处绝景,令人流连。莲是花中君子。自古以来,描写莲的诗句很多,比如“接天莲叶无穷碧,映日荷花别样红”即指我现在所看到的景色。荷花,纯洁无比,气质淡雅。荷花中心雪白,越展开越红,美不胜收。藕是莲的根状茎,横生于淤泥之中,生吃极脆,即使断了仍有藕丝相连,这也是成语“藕断丝连”的由来。 展开更多
关键词 映日荷花别样红 接天莲叶无穷碧 摇曳生姿 荷花
原文传递
基于空间频域成像的烧伤程度无创定量评估 被引量:1
4
作者 钟晓雪 黄国武 +8 位作者 缪弘波 胡城豪 刘威 孙春容 陈志华 李港宁 曹自立 金鑫 林维豪 《中国激光》 EI CAS CSCD 北大核心 2022年第24期108-117,共10页
针对目前临床上尚缺乏有效可行的烧伤程度精准诊断的难题,本课题组研究了基于空间频域成像的烧伤程度无创定量评估方法。本课题组通过基于单次快照多频解调方法的空间频域成像技术,实时、大面积、高分辨地反演出了与烧伤组织结构、生理... 针对目前临床上尚缺乏有效可行的烧伤程度精准诊断的难题,本课题组研究了基于空间频域成像的烧伤程度无创定量评估方法。本课题组通过基于单次快照多频解调方法的空间频域成像技术,实时、大面积、高分辨地反演出了与烧伤组织结构、生理特性紧密相关的光学参数(吸收系数与约化散射系数),并结合系统聚类方法与多参数降维分析,提高了烧伤程度分类的准确性,缩短了分类时间。鼠烧伤模型的实验结果表明:动态监测光学参数的变化趋势可以显著区分出三种不同的烧伤程度,系统聚类分析缩短了分类时间,基于主因子的多参数降维分析表现出了更强的抗干扰性。本文方法为临床烧伤的早期诊断提供了一种极具潜力的实现途径。 展开更多
关键词 医用光学 医学生物成像 空间频域成像 烧伤程度评估 组织光学参数
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部