内对抗指导无监督多域适配网络的轴承协同故障诊断

现有的轴承无监督跨域智能故障诊断研究多数是基于单源域自适应开展的,这将导致实际场景中多个拥有充足且多样化诊断信息的源域未能得到协同利用.如何更好地从多个源域中提取到故障轴承的共性特征并融合多源域知识协同诊断是主要挑战.针对上述问题,本文提出了一种内对抗指导的无监督多域适配网络;构造了一个内对抗模块以计算多源域对抗损失,并联合多组源域-目标域自适应子网指导提取多源域和目标域间的共性特征,增强知识覆盖能力;设计了一个多子网协同决策模块,利用多组源域-目标域的对抗损失和分布差异损失计算置信分数,以辅助多子网分类器做出更佳的融合决策,提升协同故障诊断的准确率.基于恒转速和变转速工况的轴承故障数据构造了多个无监督多源域迁移诊断任务,对比实验结果表明所提方法的优越性和鲁棒性.     

半监督学习方法研究综述

半监督学习存在于现实世界的各个场景中,可在生物化学领域对科学研究产生巨大的作用。在各领域也都有相关具体应用,如病毒毒性预测、网络安全检测、软传感器的应用等。随着机器学习领域的不断突破,目前尚缺乏关于半监督学习方法研究的完整综述。本文首先给出半监督学习的定义并分析了该领域应用过程中存在的挑战;然后梳理分析了半监督学习的四种方法,包括：半监督聚类、降维、回归、分类,并列出了这四种不同方法中比较先进的算法。随后介绍了各算法常见的评价指标（如精确率、召回率和ROC曲线等）,对比了各类半监督学习算法效果,研究发现半监督学习方法都存在高于完全监督学习支持向量机的准确率,其中SSC-EKE算法以绝对优势领先传统的支持向量机经典监督学习算法。最后介绍了半监督学习的实际应用场景,展望了半监督学习的未来研究方向,并对全文进行总结。     

谱聚类的扰动分析

以矩阵的扰动理论为工具对谱聚类（spectral clustering）进行了分析，通过引入图的权矩阵并对权矩阵的谱和特征向量进行分析，得到了权矩阵的谱与聚类的类数、权矩阵特征值的大小与每一类所含点的个数、以及权矩阵的特征向量与聚类之间的关系．据此，设计了一个基于权矩阵的无监督谱聚类算法（unsupervised spectral clustering algorithm based on weightmatrix，简记为USCAWM），并在模拟点集和实际的数据集上进行了实验，实验结果肯定了理论分析的正确性．     

基于无监督域自适应的计算机视觉任务研究进展

作为工业互联网的典型实例之一,车联网技术近年来飞速发展,其核心在于信息的互联互通.因此,精准、可迁移的环境信息感知能力是其稳定运行的前提之一.深度学习的进步推动了计算机视觉任务的发展,但基于传统深度学习的方法仍存在训练过程对人工标注数据依赖强、场景泛化能力较差的弊端.而对于计算机视觉任务来说,训练数据的真值标签获取较难...     

基于多任务学习的装备智能诊断与寿命预测方法

智能故障诊断与预测性维护技术是推动我国制造业向数字化、网络化、智能化方向发展的关键切入点和实现"弯道超车"的创新动力.得益于人工智能和机器学习技术的快速发展,智能故障诊断与寿命预测方法在航空航天、石油化工、船舶等领域得到了广泛的研究与应用.然而,传统智能方法为实现机械装备的初始异常检测、故障诊断与寿命预测等多种任务时,...     

脉冲噪声滤波的无监督鲁棒递归最小二乘方法

在未知期望信号的条件下,提出一种能够抑制脉冲噪声的鲁棒递归最小二乘自适应滤波方法.与传统最小二乘法的代价函数不同,通过引入饱和非线性约束,降低可能出现的脉冲噪声对滤波器权值更新的影响.此外,提出一种多步预测器来重构滤波器的输入信号,通过比较判断滤波器输入信号可能受到脉冲噪声干扰时,采用预测值来替代原始观测信号.实验结果表明,提出的无监督鲁棒递归最小二乘自适应滤波方法在未受到脉冲噪声干扰时与传统的递归最小二乘法具有相近的收敛性能;在脉冲噪声条件下,传统递归最小二乘法和其他的无监督自适应滤波方法性能都变得很差,但本文提出的方法几乎未受到脉冲噪声的影响.