声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：51-1196/TP
国际刊号：1001-3695
发布日期:
作者：周壮,周凤,
单位：贵州大学a.公共大数据国家重点实验室;b.计算机科学与技术学院,贵阳550025；
关键词：自编码器,深度自编码器,降噪自编码器,变分自编码器,长短时记忆网络,剩余寿命预测,无监督学习,
基金：贵州省自然科学技术基金资助项目(黔科合基础［2019］1088)；；
针对额外提取数据特征的方法需要花费大量时间和人力成本、轴承退化的线性预测精度低等问题，以及时序数据具有时间依赖关系的特点，提出了端到端的结合长短时记忆网络的深度变分自编码器模型（E2E Deep VAE-LSTM）用于轴承退化预测。通过改进VAE的结构，并结合LSTM，该模型可以在含有异常值的数据集上直接进行训练和预测；使用系统重建误差表征轴承退化趋势，实现了轴承退化的非线性预测。在三个真实数据集上的实验结果表明，E2E Deep VAE-LSTM模型可以得到满意的预测结果，预测精度均高于现有的几种AE类模型及其他几种方法，且具有良好的泛化能力和抗过拟合能力。
来源：2022年第7期
《计算机应用研究》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。