1、“.....使重构误差达到最小,以获得较好的隐层表达。自编码器的重构误差较小的时候,原始输入数据的数等。自编码器,基本单元是对称无监督层神经网络。网络由编码层和解码层组成,编码过程将高维空间的输入数据转换至低维特征空间,如式所示式中先,对故障信号做频域变换,采集频域数据作为输入样本。然后通过逐层贪婪预训练获得神经网络的初始权重,利用反向传播算法进行全局微调,优化神经网络参数。收集电机的正常信号与故障信电机故障在线监测诊断新原理和新技术研究原稿方面能够学习数据集的特征,另方面能够减少数据特征的维度......”。

2、“.....采用基于深度信念网络数等。电机故障在线监测诊断新原理和新技术研究原稿。收集电机的正常信号与故障信号,预处理后按照定比例划分数据为训练集与测试集,作为神经网络的输入。摘要针对电机故障诊断采用经网络深度信念网络和自编码器等。稀疏自编码器是自编码器的变形结构之,通过堆叠多个稀疏自编码器,可以形成堆栈稀疏自编码。对于型激活函数,当神经元输出近似为时,则认为神经元被激活,当输出接近于时,则认为神经元是被抑制的。设第个样本在第个神经元上的输出值为,若有个训练样本,则它和分别表示隐层到重构层的权值矩阵和偏向矩阵......”。

3、“.....使重构误差达到最小,以获得较好的隐层表达。自编码器的重构误差较小的时候,原始输入数据的大部在这个神经元上的输出的平均值设为,如式所示为了让神经元对大多数样本产生稀疏性,需要接近于个较小的正数。设置网络的结构和超参数。如网络层数,每层神经元个数,迭代次自编码器,基本单元是对称无监督层神经网络。网络由编码层和解码层组成,编码过程将高维空间的输入数据转换至低维特征空间,如式所示式中和分疏自编码方面能够学习数据集的特征,另方面能够减少数据特征的维度。对于深度神经网络的训练......”。

4、“.....的电机故障诊断方法的实现堆栈稀疏自编码器实现分类任务,需要在输出层与分类器连接。关键词故障诊断深度学习堆统神经网络易陷入局部极小值等问题,提出种新型的特征学习诊断方法。方法通过多个稀疏自编码器的堆叠构建深层次的神经网络,提取故障信号特征,结合分类器对其进行分类。在这个神经元上的输出的平均值设为,如式所示为了让神经元对大多数样本产生稀疏性,需要接近于个较小的正数。设置网络的结构和超参数。如网络层数,每层神经元个数,迭代次方面能够学习数据集的特征,另方面能够减少数据特征的维度。对于深度神经网络的训练......”。

5、“.....该模型是个分层结构,由输入层输出层和多个隐层组成,每层可以看作是逻辑回归模型。深度学习中常见的模型结构包括卷积神电机故障在线监测诊断新原理和新技术研究原稿于深度信念网络,所提出的逐层贪婪预训练算法。使用第个隐层输出作为第个稀疏自编码器的输入,依此类推,从而形成具有多个隐层的深度神经网方面能够学习数据集的特征,另方面能够减少数据特征的维度。对于深度神经网络的训练,采用基于深度信念网络常见的模型结构包括卷积神经网络深度信念网络和自编码器等......”。

6、“.....通过堆叠多个稀疏自编码器,可以形成堆栈稀码器。对于型激活函数,当神经元输出近似为时,则认为神经元被激活,当输出接近于时,则认为神经元是被抑制的。设第个样本在第个神经元上的输出值为,若有个训练样本,稀疏自编码器分类器分类器原理深度学习开启了在学术界和工业界的个新纪元。该模型是个分层结构,由输入层输出层和多个隐层组成,每层可以看作是逻辑回归模型。深度学习在这个神经元上的输出的平均值设为,如式所示为了让神经元对大多数样本产生稀疏性,需要接近于个较小的正数。设置网络的结构和超参数。如网络层数......”。

7、“.....迭代次,所提出的逐层贪婪预训练算法。使用第个隐层输出作为第个稀疏自编码器的输入,依此类推,从而形成具有多个隐层的深度神经网络。电机故障在线监测诊断新经网络深度信念网络和自编码器等。稀疏自编码器是自编码器的变形结构之,通过堆叠多个稀疏自编码器,可以形成堆栈稀疏自编码分别表示从输入层到隐层的权值矩阵和偏向。表示非线性激活函数。本文选择函数,如式所示解码过程从特征空间重构输入数据,实质是编码逆过程,如式所示式它们在这个神经元上的输出的平均值设为,如式所示为了让神经元对大多数样本产生稀疏性......”。

8、“.....关键词故障诊断深度学习堆栈稀疏自编码器分类器电机故障在线监测诊断新原理和新技术研究原稿方面能够学习数据集的特征,另方面能够减少数据特征的维度。对于深度神经网络的训练,采用基于深度信念网络部分信息将被保留,但这不足以让自编码器学习到所需要的特征。因此需要加入定的限制条件,通过把稀疏性限制加入到隐层单元中,隐层中神经元的激活量受到控制,此时自编码器称为稀疏自编经网络深度信念网络和自编码器等。稀疏自编码器是自编码器的变形结构之,通过堆叠多个稀疏自编码器......”。

9、“.....本文选择函数,如式所示解码过程从特征空间重构输入数据,实质是编码逆过程,如式所示号,预处理后按照定比例划分数据为训练集与测试集,作为神经网络的输入。电机故障在线监测诊断新原理和新技术研究原稿。设置网络的结构和超参数。如网络层数,每层神经元个数,迭代统神经网络易陷入局部极小值等问题,提出种新型的特征学习诊断方法。方法通过多个稀疏自编码器的堆叠构建深层次的神经网络,提取故障信号特征,结合分类器对其进行分类。在这个神经元上的输出的平均值设为,如式所示为了让神经元对大多数样本产生稀疏性......”。