為解決裝備故障檢測存在故障數(shù)據(jù)少,難以應用深度學習方法提高性能的問題,提出一種基于優(yōu)化深度隨機森林的提高裝備故障診斷精度方法。根據(jù)數(shù)據(jù)集合數(shù)據(jù)的特點,構(gòu)建重采樣的樣本集合決策樹模型,通過對故障數(shù)據(jù)中的連續(xù)數(shù)值進行C4.5決策樹離散化處理,使用擴張卷積方法擴展滑動窗口的感測范圍,對訓練模型進行實驗驗證。實驗結(jié)果表明,運用深度隨機森林的方法對提高裝備故障診斷有一定借鑒作用。 

【文章來源】：兵工自動化. 2020,39(12)

【文章頁數(shù)】：4 頁

【參考文獻】：
期刊論文
[1]基于深度語義分割的遙感圖像海面艦船檢測研究[J]. 陳彥彤,李雨陽,陳偉楠,張獻中,王俊生.  儀器儀表學報. 2020(01)
[2]基于模糊證據(jù)認知圖的裝備維修風險評估方法[J]. 肖雄,董鵬.  兵工自動化. 2020(02)
[3]基于蒙特卡羅仿真評價車輛裝備預防性維修間隔期方法[J]. 趙星賀,周斌,封會娟,許凱,張衡.  兵工自動化. 2019(11)
[4]基于空洞卷積的快速背景自動更換[J]. 張浩,竇奇?zhèn)?欒桂凱,姚紹文,周維.  計算機應用. 2018(02)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的無線電信號搜索[J]. 何元利,龔曉峰.  兵工自動化. 2017(10)
[6]基于MMBI的高分辨率影像建筑物提取研究[J]. 陳行,卓莉,陶海燕.  遙感技術(shù)與應用. 2016(05)
[7]裝備故障的時空共現(xiàn)模式挖掘[J]. 楊樂,包磊.  兵工自動化. 2016(06)
[8]決策樹算法在裝備故障檢測中的應用[J]. 陳秀芳,許利亞,劉曉春,王喜權(quán).  兵工自動化. 2015(10)
[9]基于神經(jīng)網(wǎng)絡(luò)的復雜電子裝備故障診斷系統(tǒng)的仿真研究[J]. 張義忠,馮振聲.  計算機仿真. 2000(04)



本文編號：3579760