面向发动机故障诊断精度的深度随机森林优化研究

发布时间：2022-01-10 00:56

　　为解决装备故障检测存在故障数据少,难以应用深度学习方法提高性能的问题,提出一种基于优化深度随机森林的提高装备故障诊断精度方法。根据数据集合数据的特点,构建重采样的样本集合决策树模型,通过对故障数据中的连续数值进行C4.5决策树离散化处理,使用扩张卷积方法扩展滑动窗口的感测范围,对训练模型进行实验验证。实验结果表明,运用深度随机森林的方法对提高装备故障诊断有一定借鉴作用。 

【文章来源】：兵工自动化. 2020,39(12)

【文章页数】：4 页

【参考文献】：
期刊论文
[1]基于深度语义分割的遥感图像海面舰船检测研究[J]. 陈彦彤,李雨阳,陈伟楠,张献中,王俊生.  仪器仪表学报. 2020(01)
[2]基于模糊证据认知图的装备维修风险评估方法[J]. 肖雄,董鹏.  兵工自动化. 2020(02)
[3]基于蒙特卡罗仿真评价车辆装备预防性维修间隔期方法[J]. 赵星贺,周斌,封会娟,许凯,张衡.  兵工自动化. 2019(11)
[4]基于空洞卷积的快速背景自动更换[J]. 张浩,窦奇伟,栾桂凯,姚绍文,周维.  计算机应用. 2018(02)
[5]基于卷积神经网络的无线电信号搜索[J]. 何元利,龚晓峰.  兵工自动化. 2017(10)
[6]基于MMBI的高分辨率影像建筑物提取研究[J]. 陈行,卓莉,陶海燕.  遥感技术与应用. 2016(05)
[7]装备故障的时空共现模式挖掘[J]. 杨乐,包磊.  兵工自动化. 2016(06)
[8]决策树算法在装备故障检测中的应用[J]. 陈秀芳,许利亚,刘晓春,王喜权.  兵工自动化. 2015(10)
[9]基于神经网络的复杂电子装备故障诊断系统的仿真研究[J]. 张义忠,冯振声.  计算机仿真. 2000(04)



本文编号：3579760