首页期刊导航|数据采集与处理
期刊信息/Journal information
数据采集与处理
中国电子学会 中国仪器仪表学会信号处理学会 中国仪器仪表学会中国物理学会微弱信号检测学会 南京航空航天大学
数据采集与处理

中国电子学会 中国仪器仪表学会信号处理学会 中国仪器仪表学会中国物理学会微弱信号检测学会 南京航空航天大学

贲德

双月刊

1004-9037

sjcj@nuaa.edu.cn

025-84892742

210016

南京市御道街29号1016信箱

数据采集与处理/Journal Journal of Data Acquisition & ProcessingCSCD北大核心CSTPCD
查看更多>>本刊是中国科协主管,由中国电子学会、中国仪器仪表学会所属信号处理学会,中国仪器仪表学会、中国物理学会所属微弱信号检测学会和南京航空航天大学联合主办,南京航空航天大学出版,向国内外公开发行的技术刊物。主要反映信号处理、测试工程和计算机应用的科技成果,为中文核心期刊,中国科技论文统计周期刊,中国科学引文数据库(CSCD)中文核心期刊统计源,并被美国Ei Page One数据库、俄罗斯《文摘杂志》、《中国电子科技文摘》、《中国无线电电子学文摘》、《计算机网用文摘》、《中国导弹与航天文摘》等多种国内外著名检索刊物列为统计源。并是“中国国防科技中文期刊文献数据库”和“中国学术期刊(光盘版)”的成员。
正式出版
收录年代

    基于小样本学习的滚动轴承故障检测

    曹荧荧郇战陈震陈瑛...
    1033-1042页
    查看更多>>摘要:轴承故障类型复杂,并且在不同工况下每种故障类型都很难获得足够的训练样本.因此,本文提出一种基于深度神经网络的小样本学习分类算法,引入第 1层具有宽卷积核网络(Convolutional neural network with training interference,TICNN)作为孪生网络的子网络用于提取特征,减少工业环境噪声影响.孪生网络是一种常用于小样本学习的结构,通过输入相同或不同类别的样本对进行训练,学习不同属性样本与特征之间的映射关系,并采用相似度进行度量.测试样本通过寻找最近邻的类别来实现分类.在标准凯斯西储大学轴承故障诊断基准数据集上的实验结果表明,在数据有限的情况下,本文模型在故障诊断中表现出更好的效果.当使用最少的训练数据在不同的噪声环境中进行测试时,本文小样本学习模型的性能超过了具有合理噪声水平的基线模型,故障诊断准确率达到了94.41%.当在具有新故障类型或新工作条件的测试集上进行评估时,本文模型仍然有效.

    滚动轴承故障分类小样本学习孪生网络有限样本卷积神经网络

    《数据采集与处理》征稿简则

    封3页