欢迎加入-CSDN社区

优质创作者: 后端开发技术领域

2023-01-02 11:31:09

欢迎加入

...全文

来 CSDN 抢优惠

1042 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

欢迎加入lg团队，前五名成员将有机会获得管理员职位。更多详情请关注团队讨论区。

欢迎大家加入我的朋友圈，一起分享生活的点滴，交流心得，增进友谊。点击链接即可加入。

本文欢迎各位技术爱好者加入我们的技术交流社区。在这里您可以分享心得、交流经验，并与其他技术爱好者共同成长。

博客内容为欢迎本校同学加入烟台大学CSDN俱乐部，与信息技术相关的是俱乐部可能涉及的技术交流等活动。

内容概要：本文提出一种名为“特征层SMOTE”的新方法，用于解决工业故障诊断中常见的类不平衡与类间重叠问题，特别是在燃气轮机故障诊断中的应用。该方法采用“先分离、后增强”的技术框架：首先利用深度孪生多头自注意力网络（DSMHSA）学习一个可分离的特征空间，通过对比损失使同类样本紧凑、异类样本分离；随后在此高质量特征空间中对少数类故障样本进行SMOTE数据增强；最后使用Softmax分类器完成故障分类。实验表明，该方法在真实燃气轮机数据集和机器人故障数据集上均显著优于多种经典过采样与不平衡学习方法，提升了故障召回率与整体平衡准确率。; 适合人群：从事故障诊断、工业大数据分析、不平衡学习研究的科研人员与工程师，具备一定深度学习与机器学习基础的研究者；使用场景及目标：①解决工业场景中故障样本稀缺且与正常样本高度重叠的问题；②提升深度学习模型在极度不平衡数据下的诊断性能，实现高灵敏度的早期故障检测；阅读建议：本文强调问题分解与可解释性设计，建议读者重点关注其“先分离、后增强”的思想、对比损失的作用机制以及特征空间可视化的验证方式，结合t-SNE结果与消融实验深入理解各模块贡献，并可将其范式迁移至其他时序信号分析与少样本故障诊断任务中。

.Net交流社区

33

社区成员

67

社区内容

发帖

与我相关

我的任务

c#github架构个人社区

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章