針對卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network,CNN）模型在對工業(yè)數(shù)值型數(shù)據(jù)分類方面存在特征使用不充分、模型分類性能不佳等問題,提出了一種基于自適應(yīng)卷積核的改進(jìn)CNN（Improved CNN based on adaptive convolution kernel, ACK-ICNN）算法。該算法為了增加特征的重復(fù)使用率,構(gòu)建了一種多尺度卷積核的模型結(jié)構(gòu),通過融合處理卷積核提取的不同特征來實現(xiàn),增強(qiáng)了模型的適應(yīng)能力;為了進(jìn)一步提升該算法的性能,利用網(wǎng)格搜索算法自適應(yīng)選取CNN中最優(yōu)的卷積核大小,使得模型能夠提取出最優(yōu)的特征。采用TE過程的故障數(shù)據(jù)對其進(jìn)行測試,并與支持向量機(jī)、極限學(xué)習(xí)機(jī)、最近鄰等典型的數(shù)據(jù)驅(qū)動方法進(jìn)行對比,測試結(jié)果表明,該算法能有效提升各類故障的分類精度。 

【文章來源】：浙江理工大學(xué)學(xué)報(自然科學(xué)版). 2019,41(05)

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引 言
1 ACK-ICNN分類算法
    1.1 ACK-ICNN模型結(jié)構(gòu)
    1.2 基于GS的自適應(yīng)卷積核實現(xiàn)
2 算法測試
    2.1 TE過程簡介
    2.2 結(jié)果對比及分析
3 結(jié) 論


【參考文獻(xiàn)】：
期刊論文
[1]基于X射線圖像和卷積神經(jīng)網(wǎng)絡(luò)的石油鋼管焊縫缺陷檢測與識別[J]. 劉涵,郭潤元.  儀器儀表學(xué)報. 2018(04)
[2]基于流形嵌入過采樣的非平衡數(shù)據(jù)分類方法[J]. 程健,楊凌凱,崔寧,郭一楠.  中國礦業(yè)大學(xué)學(xué)報. 2018(06)
[3]基于深度學(xué)習(xí)的管道焊縫法蘭組件識別方法[J]. 楊理踐,曹輝.  儀器儀表學(xué)報. 2018(02)
[4]基于移動窗口和粒子群尋優(yōu)的集成偏最小二乘改進(jìn)算法[J]. 馬仕強(qiáng),任佳,趙夢恩.  浙江理工大學(xué)學(xué)報(自然科學(xué)版). 2018(04)
[5]深度學(xué)習(xí)在故障診斷領(lǐng)域中的研究現(xiàn)狀與挑戰(zhàn)[J]. 任浩,屈劍鋒,柴毅,唐秋,葉欣.  控制與決策. 2017(08)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路區(qū)內(nèi)外故障判斷及故障選相方法研究[J]. 魏東,龔慶武,來文青,王波,劉棟,喬卉,林剛.  中國電機(jī)工程學(xué)報. 2016(S1)
[7]基于數(shù)據(jù)驅(qū)動的微小故障診斷方法綜述[J]. 文成林,呂菲亞,包哲靜,劉妹琴.  自動化學(xué)報. 2016(09)
[8]基于卷積遞歸網(wǎng)絡(luò)的電流互感器紅外故障圖像診斷[J]. 林穎,郭志紅,陳玉峰.  電力系統(tǒng)保護(hù)與控制. 2015(16)
[9]基于網(wǎng)格搜索和支持向量機(jī)的灰熔點預(yù)測[J]. 李清毅,周昊,林阿平,邱坤贊,岑可法.  浙江大學(xué)學(xué)報(工學(xué)版). 2011(12)
[10]基于數(shù)據(jù)驅(qū)動的故障診斷方法綜述[J]. 李晗,蕭德云.  控制與決策. 2011(01)



本文編號：3299284