<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[XZHBUT的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/XZHBUT</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; XZHBUT]]></copyright><item><title><![CDATA[A novel conditional weighting transfer Wasserstein auto-encoder for rolling bearing fault diagnosis]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/141900657</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/141900657</guid><author>XZHBUT</author><pubDate>Thu, 05 Sep 2024 17:08:31 +0800</pubDate><description><![CDATA[此外，]]></description><category></category></item><item><title><![CDATA[A fault diagnosis method of bearings based on deep transfer learning]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/141870226</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/141870226</guid><author>XZHBUT</author><pubDate>Wed, 04 Sep 2024 18:10:56 +0800</pubDate><description><![CDATA[本文实验部分使用的是Paderborn轴承数据集[38]。数据采集的实验平台如图5所示，采样频率为64K。帕德博恩数据集的数据来自三种类型的轴承，即正常轴承，人为损坏的轴承和加速寿命设备损坏的轴承，包括振动数据和电机电流信号。本文利用4个故障轴承和1个正常轴承的振动数据进行了实验。四种类型的轴承故障在损伤位置和损伤程度上有所不同，振动数据的详细情况如表1所示。为了验证所提模型在不同工况下轴承故障诊断中的应用效果，采用了四种工况的数据，如表2所示。]]></description><category></category></item><item><title><![CDATA[An Improved Deep Transfer Learning Method for Rotating Machinery Fault Diagnosis Based on Time Frequ]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/141788015</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/141788015</guid><author>XZHBUT</author><pubDate>Tue, 03 Sep 2024 19:45:19 +0800</pubDate><description><![CDATA[在不同工况下，同一类型设备的故障预测模型在部署和应用中往往是无效的。
针对当前基于神经网络的故障诊断模型深度有限、特征提取能力不足、自适应能力不足、分类效果差等局限性，研究并提出了一种新的故障预测算法——深度自适应残差神经网络(deep adaptive residual neural network，简称:dmm)。该算法引入了预训练模型，提高了故障诊断能力。该方法通过时频处理得到原始时间序列信号的时频图。同时，残差神经网络预训练模型作为特征提取的主网络。此外，设计了几个损失函数，以尽量减少数据类别之间的]]></description><category></category></item><item><title><![CDATA[ET-BERT: A Contextualized Datagram Representation with Pre-training Transformers for Encrypted Traff]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/141644752</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/141644752</guid><author>XZHBUT</author><pubDate>Sun, 01 Sep 2024 18:41:10 +0800</pubDate><description><![CDATA[从应用层的角度来看，]]></description><category></category></item><item><title><![CDATA[FineNet: Few-shot Mobile Encrypted Traffic Classification via a Deep Triplet Learning Network base]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/141024457</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/141024457</guid><author>XZHBUT</author><pubDate>Fri, 23 Aug 2024 17:03:15 +0800</pubDate><description><![CDATA[现有的加密移动流量分类方法往往需要大量的训练集来保证模型的效果。当很难收集到足够的样本时，这些方法可能不能产生令人满意的结果。因此，研究一种有效的少样本学习方法，在很少样本的情况下实现准确的流量分类是至关重要的。在本文中，我们提出了一种基于Transformer的三重深度学习网络的几次细粒度分类技术FineNet。三重深度学习网络能够发现交通流之间的细微差异，并有效地将现有的分类知识转移到Few-shot场景中。]]></description><category></category></item><item><title><![CDATA[Few-shot time-series anomaly detection with unsupervised domain adaptation基于无监督域自适应的小样本时间序列异常检测]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/140778151</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/140778151</guid><author>XZHBUT</author><pubDate>Wed, 07 Aug 2024 17:53:39 +0800</pubDate><description><![CDATA[它的。]]></description><category></category></item><item><title><![CDATA[Zero-shot learning for requirements classification: An exploratory study]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/140217772</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/140217772</guid><author>XZHBUT</author><pubDate>Thu, 11 Jul 2024 23:57:05 +0800</pubDate><description><![CDATA[背景:需求工程(RE)研究人员一直在试验机器学习(ML)和深度学习(DL)方法来完成一系列的需求工程任务，比如需求分类、需求跟踪、歧义检测和建模。然而，今天的大多数ML/DL方法都是基于监督学习技术，这意味着它们需要使用大量特定任务的标记训练数据进行训练。这一限制给可再生能源研究人员带来了巨大的挑战，因为缺乏标记数据使他们难以充分利用先进的ML/DL技术的优势。
目的:本文通过展示如何在不使用任何标记训练数据的情况下使用零射击学习(ZSL)方法来解决这个问题。我们将重点放在分类任务上，因为许多可重构任务可以]]></description><category></category></item><item><title><![CDATA[Ensemble Multiple Distinct ResNet Networks With Channel-Attention Mechanism for Multisensor Fault Di]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/138165838</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/138165838</guid><author>XZHBUT</author><pubDate>Thu, 25 Apr 2024 23:02:40 +0800</pubDate><description><![CDATA[液压系统在现代工业中有着广泛的应用，研究高效、准确的液压系统故障诊断技术有助于预防事故的发生，减少经济损失。现有的基于深度学习的智能诊断方法大多只采用单通道信号进行诊断，可能会忽略一些重要的故障信息。此外，现有的深度学习算法无法区分通道间特征的敏感性，无法强调通道域的重要特征。。;然后，。第三，。最后，。。实验结果表明，该方法的性能优于对比方法和现有方法。]]></description><category></category></item><item><title><![CDATA[MIFDELN: A multi-sensor information fusion deep ensemble learning network for diagnosing bearing fa]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/138096989</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/138096989</guid><author>XZHBUT</author><pubDate>Wed, 24 Apr 2024 01:59:30 +0800</pubDate><description><![CDATA[由于滚动轴承运行环境恶劣，采集到的振动信号中含有较强的噪声干扰，传统方法难以直接从原始信号中有效提取故障信息。此外，传统的基于单个传感器的诊断方法往往难以获得满意的诊断结果，因为忽略了不同传感器之间的互补信息。针对这些问题，。首先，;其次，;随后，。最后，利。结果表明，与几种具有代表性的多传感器融合技术相比，该方法在提取判别特征方面具有最高的精度和最强的鲁棒性。]]></description><category></category></item><item><title><![CDATA[Attention-aware temporal–spatial graph neural network with multi-sensor information fusion for fault]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/137350702</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/137350702</guid><author>XZHBUT</author><pubDate>Sat, 06 Apr 2024 19:08:21 +0800</pubDate><description><![CDATA[（1）]]></description><category></category></item><item><title><![CDATA[Dynamic Graph-Based Feature Learning With Few Edges Considering Noisy Samples for Rotating Machinery]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/136763105</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/136763105</guid><author>XZHBUT</author><pubDate>Mon, 18 Mar 2024 17:11:36 +0800</pubDate><description><![CDATA[其中为谱图卷积的输出，为图的傅里叶变换，为Λ的特征函数，参数为可学习的θ，“∗”为图卷积。由重新缩放的特征值组成，为L的最大特征值。是切比雪夫系数的向量，是k阶切比雪夫多项式，递归关系可以定义为，其中。是切比雪夫多项式系数，它决定了图卷积的接受场。通过特征变换，图卷积层的最终输出可以用可训练权矩阵。]]></description><category></category></item><item><title><![CDATA[Graph Convolutional Network-Based Method for Fault Diagnosis Using a Hybrid of Measurement and Prior]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/136664580</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/136664580</guid><author>XZHBUT</author><pubDate>Sat, 16 Mar 2024 02:05:14 +0800</pubDate><description><![CDATA[为了验证GCN-SA方法的有效性，将该方法与现有的各种故障诊断方法进行了比较，结果表明，该方法具有最佳的诊断精度。本文的其余部分安排如下。第二节概述了GCN的基础知识。第三部分介绍了GCN-SA方法和故障诊断过程，并指出了该方法的优点。在第四节中，通过实验验证了所提出方法的有效性和优越性。第五部分是本文的结论和对未来工作的展望。]]></description><category></category></item><item><title><![CDATA[Are Transformers Effective for Time Series Forecasting?]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/136304191</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/136304191</guid><author>XZHBUT</author><pubDate>Wed, 28 Feb 2024 01:18:27 +0800</pubDate><description><![CDATA[> 现有的基于变压器的TSF解决方案的管道。在(a)和(b)中，实线框为基本操作，虚线框为可选应用。©和(d)对于不同的方法是不同的[16,18,28,30,31]。]]></description><category></category></item><item><title><![CDATA[A TIME SERIES IS WORTH 64 WORDS: LONG-TERM FORECASTING WITH TRANSFORMERS]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/136158044</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/136158044</guid><author>XZHBUT</author><pubDate>Mon, 26 Feb 2024 00:29:31 +0800</pubDate><description><![CDATA[与使用包含最近96个时间步长的数据序列(0:518)相比，]]></description><category></category></item><item><title><![CDATA[WaveForM: Graph Enhanced Wavelet Learning for Long Sequence Forecasting of Multivariate Time Series]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/135876979</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/135876979</guid><author>XZHBUT</author><pubDate>Mon, 29 Jan 2024 19:24:31 +0800</pubDate><description><![CDATA[Multivariate time series (MTS) analysis and forecasting are crucial in many real-world applications, such as smart traffic management and weather forecasting. However, most existing work either focuses on short sequence forecasting or makes predictions pre]]></description><category></category></item><item><title><![CDATA[WAVEGRAD: ESTIMATING GRADIENTS FORWAVEFORM GENERATION]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/135167178</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/135167178</guid><author>XZHBUT</author><pubDate>Sun, 24 Dec 2023 15:20:51 +0800</pubDate><description><![CDATA[在本文中，我们提出了WaveGrad，这是一种新的波形生成条件模型，用于估计数据密度的梯度，遵循扩散概率模型(Ho等人，2020)和分数匹配框架(Song等人，2020;(Oord等人，2016;撒哈拉等人，2020)，基于插入的生成模型(Stern等人，2019;我们发现，WaveGrad在内部数据集(表1)和LJ Speech (Ito & Johnson, 2017)(表C.1)上实现了与Kalchbrenner等人(2018)(WaveRNN)的完全自回归最先进模型相同的样本质量，顺序操作较少。]]></description><category></category></item><item><title><![CDATA[Time Series Diffusion Method: A Denoising Diffusion Probabilistic Model for Vibration Signal Genera]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/135066200</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/135066200</guid><author>XZHBUT</author><pubDate>Fri, 22 Dec 2023 16:13:03 +0800</pubDate><description><![CDATA[Time Series Diffusion Method: A Denoising Diffusion Probabilistic  Model for Vibration Signal Genera
 Abstract
Diffusion models have demonstrated robust data generation capabilities in various  research fields.
In this paper, a Time Series Diffusion Method]]></description><category></category></item><item><title><![CDATA[EfficientFormer: Vision Transformers at MobileNet Speed]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/134401955</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/134401955</guid><author>XZHBUT</author><pubDate>Sat, 18 Nov 2023 18:36:53 +0800</pubDate><description><![CDATA[限制：（i）尽管EfficientFormer中的大多数设计都是通用的，例如，维度一致的设计和带有CONV-BN融合的4D块，但EfficientFormer的实际速度可能会在其他平台上有所不同。12（A14仿生芯片）上的推理速度是在iOS版本15下测量的，并在1,000次运行中取平均值，使用所有可用的计算资源（NPU），或仅使用CPU。Dosovitskiy等人和Carion等人分别将变压器架构应用于分类和检测，并在更强的训练技术和更大规模的数据集的支持下，与CNN对手取得了竞争性的表现。]]></description><category></category></item><item><title><![CDATA[SBCFormer: Lightweight Network Capable of Full-size ImageNet Classification at 1 FPS on Single Board]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/134311681</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/134311681</guid><author>XZHBUT</author><pubDate>Mon, 13 Nov 2023 18:21:48 +0800</pubDate><description><![CDATA[我们提出了一种新的深度网络设计，称为SBCFormer，当使用时，它在推理精度和计算速度之间实现了良好的平衡通常在单板计算机(sbc)中发现的低端cpu。**在本文中，我们选择了在单板计算机（如树莓派）中使用的CPU作为主要目标，这种计算机在各种领域的边缘应用中被广泛使用。“Patchy stem"是指在ViT（Vision Transformer）模型中，将输入图像划分为多个固定大小的块（或称为"patch”），然后将这些块线性化（即将每个块展平为一维向量），并作为Transformer的输入。]]></description><category></category></item><item><title><![CDATA[BinaryViT: Pushing Binary Vision Transformers Towards Convolutional Models]]></title><link>https://blog.youkuaiyun.com/XZHBUT/article/details/134231286</link><guid>https://blog.youkuaiyun.com/XZHBUT/article/details/134231286</guid><author>XZHBUT</author><pubDate>Wed, 08 Nov 2023 17:16:57 +0800</pubDate><description><![CDATA[翻译：在高分辨率特征映射上应用的低隐藏维度的二进制全连接层，可以比每个具有高隐藏维度和低特征映射分辨率的二进制全连接层（如具有全局平均池化层，隐藏维度为384，特征映射分辨率为14×14的二进制DeiT-S）对二进制模型的元素表示能力贡献更多。：这是ResNets的典型特征。翻译：因此，尽管我们提到元素级的仿射变换对二进制模型的表示能力应该没有影响，但是有可能来自任何主分支的信息在更深层区域被残差分支过度消耗，阻止了来自更深层区域的任何主分支的信息通过残差连接传递，这样模型的表示能力可能会低于我们预期的。]]></description><category></category></item></channel></rss>