<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[糯米团子的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Goodlick</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Goodlick]]></copyright><item><title><![CDATA[Large Language Models Are Zero-Shot Time Series Forecasters]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/131560736</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/131560736</guid><author>Goodlick</author><pubDate>Wed, 13 Dec 2023 16:30:09 +0800</pubDate><description><![CDATA[请参考]]></description><category></category></item><item><title><![CDATA[Generalized Zero-Shot Text Classification for ICD Coding]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/134648854</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/134648854</guid><author>Goodlick</author><pubDate>Tue, 28 Nov 2023 21:30:47 +0800</pubDate><description><![CDATA[C。]]></description><category></category></item><item><title><![CDATA[Contrastive Embedding for Generalized Zero-Shot Learning]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/134587148</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/134587148</guid><author>Goodlick</author><pubDate>Fri, 24 Nov 2023 15:21:54 +0800</pubDate><description><![CDATA[基于特征生成的方法有效缓解偏移问题，然而特征生成方法在原始特征空间中产生合成的视觉特征。我们推测，原始特征空间远离语义信息，因此缺乏区分能力，对于GZSL分类是次优的。生成模型与嵌入模型集成，混合GZSL方法将生成模型产生的真实样本和合成样本映射到一个嵌入空间中，在那里我们执行最终的GZSL分类。的帮助下，我们将嵌入空间中随机选择的点的类级对比嵌入损失作为一个。的语义描述符空间中，常用的语义嵌入方法依赖于一个结构化损失函数。是合成特征和其对应的语义描述符的联合分布。是可见类的真实训练样本的经验分布，]]></description><category></category></item><item><title><![CDATA[多源迁移学习网络补充知识，对未知故障机器的智能诊断]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/131381626</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/131381626</guid><author>Goodlick</author><pubDate>Mon, 26 Jun 2023 16:49:18 +0800</pubDate><description><![CDATA[受源域样本的分布基线不同的影响，通过相同配置的pda子网学习目标域特征的分布发生了偏移。与其努力配置每个子网的参数，不如配置目标域特征之间的分布差异，分别由多个pda-子网学习。该模块通过多源-目标自适应正则化方法联合训练多个pda-子网，以释放多源机器之间的差异所造成的负面影响。1）通过在分类层中添加一个神经元来处理源机器中未发现的故障，提出了一种部分分布自适应子网络（PDA-子网）。常用的高斯核MMD存在几个缺点：1）时间复杂度高，2）忽略了高阶矩上的分布差异，3）结果对高斯核宽度很敏感。]]></description><category></category></item><item><title><![CDATA[Zero-shot learning for compound fault diagnosis of bearings]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/129119285</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/129119285</guid><author>Goodlick</author><pubDate>Mon, 20 Feb 2023 20:13:43 +0800</pubDate><description><![CDATA[该方法的训练过程将单故障的信号特征与其故障语义相匹配。2）设计了故障语义来表达单故障和复合故障的先验知识。将单故障的振动信号用于构造故障语义，而复合故障的故障语义来自单故障的故障语义。为了解决从单故障数据中学习并对未知复合故障进行分类的问题，本文引入了一种在特征和语义之间共享的中间层嵌入方法。1）提出了一种零样本学习复合故障诊断模型（ZLCFDM），该模型利用单故障的振动信号进行训练来识别未知的复合故障。三种单故障：滚动体故障（BF）、内圈故障（IF）、外圈故障（OF）选择单故障的振动信号的。]]></description><category></category></item><item><title><![CDATA[Joint Visual and Semantic Optimization for zero-shot learning]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/129107943</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/129107943</guid><author>Goodlick</author><pubDate>Sun, 19 Feb 2023 10:23:17 +0800</pubDate><description><![CDATA[在数学上，VSOP被表述为一个从视觉空间和语义空间到其潜在的公共子空间的相互正交投影的最小化问题。具体来说，VSOP试图在视觉和语义空间的潜在公共子空间中利用潜在的共享概念，从而提取这两个空间之间的关系进行分类。为此，学习两种耦合映射，将视觉特征和语义特征投射到一个公共的子空间中，并匹配它们在子空间中的潜在表示。1）提出通过正交投影来学习视觉和语义特征的公共子空间，并匹配它们的潜在表示来进行概念共享。具体地说，我们引入了可视化数据和语义数据的重构正则化，以获得共享的概念。由此引出零样本学习（ZSL）。]]></description><category></category></item><item><title><![CDATA[深度注意关系网络：未知域下轴承故障诊断的零样本学习方法]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/129028365</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/129028365</guid><author>Goodlick</author><pubDate>Wed, 15 Feb 2023 16:47:54 +0800</pubDate><description><![CDATA[例如，T1表示使用操作条件O1的80%数据集作为训练数据集，使用操作条件O1的剩余数据集和操作条件O2、O3、O4的数据集作为测试数据集。后接并行注意机制（PAM）。3）引入PAM，帮助模型定位不同类别中最具鉴别性的区域，以增强DARN的特征可鉴别性，使关系模块能够更好地区分样本对之间的相似性关系。1）迁移学习从源域（SD）中学习目标域（TD）的故障知识，实际工程中需要做频繁的迁移任务，限制了模型的适用性。2）训练数据集和测试数据集是相互关联的，但由于运行环境的变化和故障的原因，它们存在不同的数据分布。]]></description><category></category></item><item><title><![CDATA[Fault Description Based Attribute Transfer for Zero-Sample Industrial Fault Diagnosis]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/127283124</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/127283124</guid><author>Goodlick</author><pubDate>Wed, 12 Oct 2022 21:10:59 +0800</pubDate><description><![CDATA[本文采用基于故障描述的属性迁移方法，研究了无训练样本的目标故障类别的故障诊断场景。基于故障描述层中的细粒度和类共享属性，可以构建级联诊断系统，将训练故障的属性知识转移到目标故障，进行零样本故障诊断。在基于故障描述的方法中，我们还采用了有监督的主成分分析作为特征提取器，为更有效的学习过程提供了与属性相关的特征。将表II与表I进行比较，可以很容易地从表I的陈述中得出属性描述，根据故障描述，我们在没有样本的情况下对目标故障进行模型训练。该描述由任意的属性组成，包括故障的影响、具体的故障位置、故障的原因等。]]></description><category></category></item><item><title><![CDATA[From Zero-shot Learning to Conventional Supervised Classification: Unseen Visual Data Synthesis]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/127208114</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/127208114</guid><author>Goodlick</author><pubDate>Mon, 10 Oct 2022 19:17:23 +0800</pubDate><description><![CDATA[另一个优点是，合成的视觉数据可以被提供给典型的监督分类器，以获得更好的性能，这可以由使用SVM的结果来支持。2、在语义-视觉嵌入过程中引入了方差衰减问题，并提出了一种新的扩散正则化方法，它可以明确地使信息扩散到合成数据的每个维度。1、提供了一个可行的框架，从给定的语义属性中合成看不见的视觉特征，而不需要获取真实的图像。这表示学习到的特征存在严重冗余，为此期望集中的信息可以通过调整旋转有效地扩散到所有学习到的维度，即调整（3）中的旋转矩阵。中报告了这样一个特性，即正交旋转可以保护在语义空间中捕获的属性。]]></description><category></category></item><item><title><![CDATA[Compound-Fault Diagnosis of Rotating Machinery: A Fused Imbalance Learning Method]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/125496251</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/125496251</guid><author>Goodlick</author><pubDate>Fri, 08 Jul 2022 17:33:54 +0800</pubDate><description><![CDATA[复合故障的分解问题贡献：
1、采用不平衡学习的方法解决了测量不平衡和冗余数据（数据不均衡，故障数据偏少）带来的误分类问题。建立了一种基于SA（灵敏度分析）的不平衡学习模型，生成有关故障类的BPA（基本概率分配）。
2、研究了该融合方法中采样条件和局部特征提取过程所带来的不确定性。嵌套结构的BPA由提出的分类器进行证据组合。
3、利用一个大型旋转机械故障诊断实验平台生成非高斯分布振动信号，验证了该方法的有效性。实验结果表明，该方法能有效地提取故障信息，提高复合故障识别率。
融合不平衡学习机（FILM）
1、特]]></description><category></category></item><item><title><![CDATA[变分自编码器（VAE）及Tensorflow实现]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/124814476</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/124814476</guid><author>Goodlick</author><pubDate>Tue, 17 May 2022 10:17:36 +0800</pubDate><description><![CDATA[文章目录基本概念Tensorflow实现完整代码
基本概念
1、变分自编码器属于无监督学习
2、变分自编码器的主要作用是可以生成数据
3、VAE的网络结构：

Tensorflow实现
VAE实现 MNIST 手写数字识别
1、库导入：
import os
import tensorflow as tf
from tensorflow import keras
from PIL import Image
from matplotlib import pyplot as plt
from tensorflow]]></description><category></category></item><item><title><![CDATA[机械复合故障 zero-shot 智能诊断的标签描述空间嵌入模型]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/121403398</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/121403398</guid><author>Goodlick</author><pubDate>Fri, 19 Nov 2021 11:16:57 +0800</pubDate><description><![CDATA[ZSL的关键是探索和开发未知和已知类别之间的语义关系。LDS描述了复合故障与相关的单个故障之间的关系。然后，提出了一种用于智能故障诊断的LDS嵌入式模型(LDS-IFD)来识别未知的复合故障。根据这些特性，阶段2预先判断测试数据是从单一故障还是复合故障中收集的。在阶段3中，建立了一个。现阶段的复合故障都是将其作为一个单独的故障类型，参与训练并测试。2、T-SR 获得单故障与Health之间的特征相关性。复合故障发生几率小，种类多，采集大量的故障数据难度大。5、复合故障信号喂入后先计算与Health之间的。]]></description><category></category></item><item><title><![CDATA[几种卷积的比较]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/121336289</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/121336289</guid><author>Goodlick</author><pubDate>Mon, 15 Nov 2021 15:59:44 +0800</pubDate><description><![CDATA[文章目录卷积与互相关（信号处理）深度学习中的卷积（单通道/多通道）3D卷积1 x 1卷积卷积运算（Convolution Arithmetic）转置卷积（反卷积，checkerboard artifacts）扩张卷积（空洞卷积）可分离卷积（空间可分离卷积，深度卷积）扁平卷积（Flattened Convolution）分组卷积（Grouped Convolution）随机分组卷积（Shuffled Grouped Convolution）逐点分组卷积（Pointwise Grouped Convolutio]]></description><category></category></item><item><title><![CDATA[Deep separable convolutional network for remaining useful life prediction of machinery]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/121196578</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/121196578</guid><author>Goodlick</author><pubDate>Mon, 15 Nov 2021 15:45:11 +0800</pubDate><description><![CDATA[文章目录Background
Background
数据驱动的剩余寿命预测（RUL）主要包括：数据采集，特征提取和选择，退化行为学习和剩余寿命预测

]]></description><category></category></item><item><title><![CDATA[深度卷积传输学习网络：一种针对无标记数据机器智能故障诊断的新方法]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/121095838</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/121095838</guid><author>Goodlick</author><pubDate>Thu, 04 Nov 2021 11:28:25 +0800</pubDate><description><![CDATA[文章目录BackgroundTransfer Learning Problem
Background
应用于验证各种智能故障诊断方法有效性的数据集满足以下两个条件：1)有带有故障信息的标记数据；2)训练和测试数据来自相同的概率分布。但是，对于某些机器，由于存在以下问题，很难满足这两种条件。
1）标记的故障数据很难从某些机器中获得。具体来说，导致缺乏标记的故障数据主要有两个原因。首先，机器可能不允许运行到故障，因为意外故障通常会导致机器故障，甚至灾难性事故。在这种情况下，不可能获得故障数据。其次，机器通常会经]]></description><category></category></item><item><title><![CDATA[An unknown fault identification method based on PSO-SVDD in the IoT environment]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/120056496</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/120056496</guid><author>Goodlick</author><pubDate>Thu, 02 Sep 2021 15:39:15 +0800</pubDate><description><![CDATA[文章目录IntroductionData collectingMethod支持矢量数据描述（SVDD）粒子群优化（PSO）
Introduction
1、解决未知故障检测的问题
2、将未知故障添加到故障模式库以自适应更新故障诊断模型
研究对象：配电网设备的故障诊断
方法：粒子群优化-支持矢量数据描述（PSO-SVDD）
Data collecting

Method
支持矢量数据描述（SVDD）
类似于SVM，一分类问题

找一个最小的超球面将数据合理全部包裹

ξ\xiξ为松弛变量，防止模型过拟合
使用拉]]></description><category></category></item><item><title><![CDATA[Isolation and Localization of Unknown Faults Using Neural Network-Based Residuals]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/120027757</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/120027757</guid><author>Goodlick</author><pubDate>Wed, 01 Sep 2021 16:21:12 +0800</pubDate><description><![CDATA[文章目录Introduction
Introduction
本文提出了如何利用基于神经网络的残差和基于物理的模型来定位系统中的未知故障
1、本文中提到的方法，依靠残差进行故障隔离和分类。
2、这里不仅考虑了故障隔离，而且还考虑了未知故障的定位。

...]]></description><category></category></item><item><title><![CDATA[Prediction of Unknown Fault of Induction Motor Using SVM Following Decision-Directed Acyclic Graph]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/120012399</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/120012399</guid><author>Goodlick</author><pubDate>Tue, 31 Aug 2021 16:57:46 +0800</pubDate><description><![CDATA[文章目录部分缩写Introduction流程
部分缩写
DDAG: 决策导向无环图
MFCSA：电机故障电流特征分析
Introduction
PCA提取特征+降维
故障类型：转子断裂、轴承故障、转子没校准、转子不平衡、定子绕组故障、单项电压不平衡
流程

数据量好少。。。。不太适合我的工作
论文

...]]></description><category></category></item><item><title><![CDATA[基于深度学习的含未知复合故障多传感器信号故障诊断]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/119998968</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/119998968</guid><author>Goodlick</author><pubDate>Mon, 30 Aug 2021 17:22:55 +0800</pubDate><description><![CDATA[文章目录目的网络实验结果存在的问题
CNN-LSTM-FCM
目的
1、未知复合故障诊断
2、复合故障解耦
网络

折叠层：将输入的序列构建成测量数据帧
序列展开层、扁平化层：恢复序列结构、输出矢量序列
卷积：提取特征
LSTM和输出：对输出的矢量序列进行分类
预期效果：
1、测试集中的已知类别：输出为1左右；测试集中的未知类别：输出在0.5左右
2、分别输出每一类的概率。如：有５组传感器信号，１和３为故障信号，其余正常，将这组数据输入传统 ＣＮＮ 模型，输出可能是故障１，也可能是故障３，但只能输出其中一种]]></description><category></category></item><item><title><![CDATA[轨道几何不平顺对机车齿轮传动动态特性的影响（牵引动力）]]></title><link>https://blog.youkuaiyun.com/Goodlick/article/details/117782241</link><guid>https://blog.youkuaiyun.com/Goodlick/article/details/117782241</guid><author>Goodlick</author><pubDate>Thu, 10 Jun 2021 17:06:40 +0800</pubDate><description><![CDATA[文章目录Introduction带齿轮传动的机车-轨道空间耦合动力学模型Experiments and ResultsConclusion
Introduction
在运行过程中，由于齿轮传动系统继承的内部动态激励或外部激励，其振动是不可避免的。振动造成的后果不仅包括骚扰的噪声辐射，还会包括严重的磨损甚至损坏。
齿轮传动系统与车辆系统之间的动态相互作用是通过其悬架和轮轨接触来实现的。因此，有必要研究考虑齿轮传动的轨道不平顺对机车动力性能的影响。
本文为研究齿轮传动的动态响应，建立了齿轮传动-机车-轨道空间耦]]></description><category></category></item></channel></rss>