weixin_45809449的博客

我们提出了一个零试学习复合故障诊断模型，其使用单样本故障去预测复合故障类。通过两层CNN提取故障振动数据的高维特征，设计故障语义特征去表达故障类别信息。我们在特征空间和故障语义空间之间引入了人一个共享中层语义嵌入空间。提出的模型复合故障特征和复合故障语义之间的相似性度量分类复合故障样本。

设计基于故障描述的属性迁移作为诊断目标故障无样本的第一次尝试。这种方法学习使用人工定义的故障描述替代收集的故障样本决定故障分类。而且，此方法采用有监督的主成分分析提取属性的相关特征提供了一种有效的属性学习方法。从理论上分析和解释了基于故障描述的方法的可行性。

提出了一种基于压缩堆叠自动编码器（CSA）的零试学习方法，方法仅由已知工作负载的数据进行训练，可以在没有先验数据的情况下从未知但相关的工作负载中诊断故障。在西储大学数据集上的实验表明，所提的方法在未知工作负载下比传统的方法有更好的性能，取得了97.82%的准确率。此外，对奇异值和特征空间的分析也表明，该方法更具鲁棒性，特征表示更具压缩性。

提出了一个基于CADAE的用于机器零试分类问题的智能诊断方法，CADAE包括一个编码器，一个生成器和一个鉴别器.鉴别器被用来控制控制被编码器编码的隐藏层的数据分布。条件信息被加入到隐藏层去控制生成器的重构过程。我们可以通过类描述获取SA，并从样本中提取NSA。利用获取类的混合属性训练了CADAE后，生成模块在缺失类的混合属性的控制下被用来生成样本。生成的样本被用来训练一个缺失类的分类器。

对于图像的ZSL学习已经学的了很不错的结果，但由于信号中语义难以表示，信号识别的零试学习没有得到广泛的研究，本文提出了一种SR2CNN的方法，实现了对可见和不可见类的识别，同时区别于常见的开集操作，该方法还可以实现测试样本可知或不可知具体类别的识别。由编码器、解码器、分类器和鉴别器构成，通过组合交叉熵损失、中心损失和重构损失，再选择合适的度量阈值实现了可见和不可见类的识别。

嵌入空间的相关概念、理论描述