这篇博客探讨了深度学习在预测维护中的关键角色，包括感知器的基本构成和工作原理，如输入层、权重、激活函数（如ReLU）以及误差和损失函数的计算。进一步介绍了卷积神经网络（CNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）的结构和功能，这些是处理序列数据和图像数据的有效工具。CNN用于提取图像特征，而LSTM和GRU则擅长处理时间序列数据，尤其是捕捉长期依赖性。
1.基本介绍
PHM
中的输入是传感器所收集数据，输出是根据手头的任务所生成预测。感知器中的基本组件包括输入层（可接收任意数量的输入）、将输入映射到下一层的权重w
、偏置
b
、激活函数
H
（将非线性引入函数）和输出
Z。
（
2
）在最终输出之前存在一个激活函数。激活函数的目的将神经元的输出改为非线性。
ReLU
为常用激活函数，
如果输入大于
0
，直接返回作为输入提供的值；如果输入是
0
或更小，返回值
0
。
（
3
）激活函数的输出相当于预测输出
（
4
）一旦获得预测输出，就可以使用感知器的输出与实际值来评
最低0.47元/天 解锁文章
扫一扫
2033
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
