weixin_39402231的博客

基于决策树的旋转机械故障诊断（Python）

基于改进贝叶斯学习的旋转机械故障诊断（MATLAB）

可解释机器学习之ELI5方法

可解释机器学习之SHAP方法以Breast cancer wisconsin (diagnostic) dataset数据集为例。

基于卷积变分自编码器的心电信号异常检测

基于自编码器和LSTM自编码器的心电信号异常检测

简单的基于自编码器的心电信号异常检测（tensorflow，keras）

基于自编码器的心电信号异常检测（Pytorch）

使用的数据集来自PTB心电图数据库，包括14552个心电图记录，包括两类：正常心跳和异常心跳，采样频率为125Hz。

基于机器学习的变频器故障诊断方法（MATLAB，Python）

基于去噪扩散概率模型的C-MAPSS涡扇发动机剩余寿命RUL预测

心血管疾病是一种常见病，严重影响人们的健康及日常生活。近年来随着人们生活习惯的不断变化，心血管疾病对人们影响愈加明显，发病率呈现出逐年攀升的趋势，心血管疾病是中国城乡居民死亡的首要原因。心电图ECG已被广泛用于研究心跳活动。作为一种无创的方法，ECG的相关研究为了解心脏的功能提供了便利。对心电图进行有效分析可以为心血管疾病的诊断和防治提供丰富的信息，进而大大减缓心血管疾病对人们生活的影响。心电信号分割是心电图解读的第一步，通过心电信号分割，有助于进一步对运动员心脏健康状况进行分析，进而减少运动员受伤、

美国国家航空航天局的商用模块化航空推进仿真系统（CMAPSS）所模拟出的涡扇发动机性能退化数据进行实验验证，数据中包含有风扇、涡轮、压气机等组件参数。C-MAPSS中所包含的数据集可以模拟出从海平面到42千英尺的高度，从0到0.9马赫的速度以及从60到100的油门杆角度。同时在每次循环的某一时间点开始会设置指定故障，并且故障在剩余循环继续存在，从而可以确定故障出现在哪一时刻，所以该数据集被普遍用作预测涡扇发动机RUL问题的基准数据集。

基于多传感器数据和周期性采样的滚动轴承故障诊断方法（Python）

递归神经网络在很长一段时间内是序列转换任务的主导模型，其固有的序列本质阻碍了并行计算。因此，在2017年，谷歌的研究人员提出了一种新的用于序列转换任务的模型架构Transformer，它完全基于注意力机制建立输入与输出之间的全局依赖关系。在训练阶段，Transformer可以并行计算，大大减小了模型训练难度，提高了模型训练效率。Transformer由编码器和解码器两部分构成。其编解码器的子模块为多头注意力MHA和前馈神经网络FFN。此外，Transformer还利用了位置编码、层归一化、残差连接、drop

基于机器学习和奇异值分解SVD的电池剩余使用寿命预测（Python）

电池的故障预测和健康管理PHM是为了保障设备或系统的稳定运行，提供参考的电池健康管理信息，从而提醒决策者及时更换电源设备。不难发现，PHM的核心问题就是确定电池的健康状态，并预测电池剩余使用寿命。但是锂电池的退化过程影响因素众多，不仅受其本身工作模式的影响，外部环境的压力、温度等都会影响锂电池的退化。这些影响因素之间的相互耦合，导致锂电池的退化表现出很强的非线性及不确定性，这给SOH估计和RUL预测带来了很大的困难。

基于机器学习的电池剩余使用寿命RUL预测

基于机器学习的锂电池RUL SOH预测

实验数据为商用模块化航空推进系统仿真C-MAPSS数据集，该数据集为NASA格林中心为2008年第一届预测与健康管理国际会议(PHM08)竞赛提供的引擎性能退化模拟数据集，数据集整体信息如下所示.

为了简化，采用一种基于学习模型的可学习小波变换方法。采用Pytorch深度学习模块，执行基于深度学习模型的可学习小波包变换和基于深度学习模型的离散小波变换框架，能够从数据中自动进行学习并根据目标函数进行优化。

基于可解释性深度学习的马铃薯叶病害检测

简单的小波自编码器降噪（Python）

广义傅里叶族变换是一种时频变换方法，傅里叶变换、短时傅里叶变换、S变换和许多小波变换都是其特殊情况

基于卷积神经网络的一维信号降噪（简单版，MATLAB）

基于卷积神经网络的信号解卷积（简单版，MATLAB）

基于马氏距离的车辆状态异常检测（单一传感器）基于多元自动编码器的车辆状态异常检测基于单传感器平滑马氏距离的车辆状态异常检测

有趣的MEEG信号时频分析方法

当面对复杂问题的时候，在深度学习模型提取特征的过程中完全抛弃知识是非常不明智的策略。虽然有很多研究者在深度网络处理数据之前，利用具有某种知识的模型驱动方法对数据进行预处理，但是这种方法没有进行实质性地改造深度网络，且这种两阶段方法从端到端学习策略来看很难达到最优。

本文采用小波包分解和随机森林分类器对uOttawa轴承数据集进行分类，比较简单，直接看代码就可以看懂，并可迁移至其他的一维数据集，比如心电信号，肌电信号，脑电信号，微振信号，各种声信号等等，顺便把python学一下，结合自己的领域学python能有效避免劝退。

随着AI应用渗透到各行各业，AI的科技伦理受到广泛的关注。而科技伦理的一个核心议题就是可解释人工智能XAI。从社会科学角度，可解释性是指人对决策原因的理解程度，可解释性越高，人就越能理解为什么做出这样的决策。对应于AI领域，可解释性是指能够在一定程度上揭示AI模型内部工作机制和对模型结果的进行解释，帮助用户理解模型是如何做出预测或决策的。

深度学习论文中结构A+B效果很好，怎么讲故事写成一篇优质的论文？

传统的压缩感知重建方法基于稀疏先验知识，通过解一个最优化问题，迭代地重建原始信号。这类方法存在两个主要问题：（1）自然图像等真实信号在变换域中并不精确满足稀疏性，而是可压缩信号，仅由稀疏性建模的重建算法应用于真实信号时重建精度下降。（2）由于重建算法采用多次迭代求解原信号，难以实现实时性，限制了压缩感知技术的应用广度和深度。

因为工业过程一般是闭环控制，在控制器的补偿作用下，被控变量的变化速度一般小于不被控的环境噪声，因此SFA提取出的慢特征可以体现出系统的潜在变化趋势。SFA方法最初被应用于生物信号处理和图片处理中，并且在盲源信号分离领域也展现出较好的效果。

Python环境下基于小波变换和机器学习的地震信号处理和识别

Python环境下滚动轴承状态监测与故障诊断（NASA IMS轴承数据集）

Python环境下基于1D-CNN的轴承故障诊断及TSNE特征可视化

卷积神经网络CNN，一个大号/深层的，现代的，黑箱的，信号/图像处理器。

传统的基于特征提取与分类相结合的轴承智能诊断算法，对信号处理要求很高的专家经验，既费时又缺乏通用性。基于深度学习的智能轴承故障诊断方由于具有强大的特征提取能力，避免了繁琐复杂的特征提取工作，但是大多数研究都是在标准数据集下进行的，这意味着模型能够使用足量的数据进行训练，因此不会出现由于缺乏训练数据而导致深度模型诊断错误或过拟合问题。

Python环境下基于1D-CNN、2D-CNN和LSTM的一维信号分类