• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    兩級混淆對抗域自適應(yīng)網(wǎng)絡(luò)軸承故障診斷

    2022-02-03 10:34:04鄔春明朱海潮郭曉利
    北京交通大學(xué)學(xué)報 2022年5期
    關(guān)鍵詞:源域類別分類器

    鄔春明,朱海潮 ,馬 欣 ,郭曉利

    (東北電力大學(xué) a.現(xiàn)代電力系統(tǒng)仿真控制與綠色電能新技術(shù)教育部重點實驗室,b.電氣工程學(xué)院,吉林 吉林 132012)

    滾動軸承作為現(xiàn)代工業(yè)中廣泛使用的關(guān)鍵基本機(jī)械部件,由于工作條件復(fù)雜多變,容易出現(xiàn)各種形式的缺陷,影響機(jī)械設(shè)備的效率,產(chǎn)生經(jīng)濟(jì)損失,甚至威脅人身安全.因此,軸承故障診斷在工業(yè)領(lǐng)域具有重要意義[1].

    傳統(tǒng)的軸承故障診斷方法主要采用小波變換、傅里葉變換等信號處理方法手動提取特征,然后使用SVM、隨機(jī)森林等機(jī)器學(xué)習(xí)方法進(jìn)行故障識別,診斷結(jié)果依賴很強(qiáng)的專業(yè)背景和先驗知識.深度學(xué)習(xí)的發(fā)展,使得神經(jīng)網(wǎng)絡(luò)能夠自動提取特征,對專業(yè)知識依賴程度降低.在軸承故障診斷領(lǐng)域,包括自動編碼器、遞歸神經(jīng)網(wǎng)絡(luò)及卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network,CNN)等在內(nèi)的幾種深層網(wǎng)絡(luò)被廣泛應(yīng)用,并取得了矚目的成果[2].然而,目前大多數(shù)基于深度學(xué)習(xí)的故障診斷算法都有個前提,即訓(xùn)練和測試數(shù)據(jù)必須具有相同的概率分布,這要求設(shè)備必須恒工況運(yùn)轉(zhuǎn),但在實際工業(yè)生產(chǎn)中,設(shè)備的運(yùn)行工況復(fù)雜多變,很難保證這一前提,因此傳統(tǒng)深度學(xué)習(xí)方法對變工況軸承故障診斷力有未逮.

    為解決上述問題,無監(jiān)督領(lǐng)域自適應(yīng)[3]受到了廣泛關(guān)注,其通過學(xué)習(xí)源域和目標(biāo)域的域不變特征,使得目標(biāo)域在無標(biāo)簽情況下,將從源域?qū)W到的分類器用到目標(biāo)域,對目標(biāo)域樣本進(jìn)行分類.在軸承故障診斷領(lǐng)域,現(xiàn)有的域自適應(yīng)方法大致可分為兩類.第一類是匹配統(tǒng)計矩的方法,通過使用不同分布測度的損失函數(shù),來減少域間差異,主要包括最大均值差異(Maximum Mean Discrepancy,MMD)[4],相關(guān)對 齊(Correlation Alignment,CORAL)[5]等.例 如,Lu 等[6]提出了一種領(lǐng)域自適應(yīng)診斷方法,通過最小化最大均值差異來對齊兩個域,并使用權(quán)重正則化項來增強(qiáng)域不變特征.An 等[7]提出了一個基于MMD 的多層多核變量的診斷網(wǎng)絡(luò),該方法用核函數(shù)法來代替高維特征的最大均值差異,使得來自不同域的特征在再生核希爾伯特空間中彼此接近,在保證診斷結(jié)果的穩(wěn)定性同時提高了診斷精度.第二類是基于對抗學(xué)習(xí)的方法,它由特征生成器、類別分類器和領(lǐng)域鑒別器組成.特征生成器用來學(xué)習(xí)領(lǐng)域無關(guān)的特征,將兩個領(lǐng)域的數(shù)據(jù)從原始的特征空間映射到一個共同的特征空間中.領(lǐng)域鑒別器用來判斷輸入的特征是來自哪個領(lǐng)域的,當(dāng)鑒別器很難分辨時,說明特征提取器學(xué)到的特征具備了領(lǐng)域無關(guān)的特性.分類器負(fù)責(zé)將領(lǐng)域無關(guān)的特征映射到類別空 間,完成分 類任務(wù).Wang 等[8]將領(lǐng)域 對抗網(wǎng) 絡(luò)(Domain-Adversarial Training of Neural Networks,DANN)引入跨域故障診斷,證明了在實際故障診斷環(huán)境中的適用性.Guo 等[9]結(jié)合MMD 與對抗性學(xué)習(xí),并提出了一種深度卷積遷移網(wǎng)絡(luò),用于軸承故障診斷.

    盡管領(lǐng)域自適應(yīng)方法在軸承故障診斷領(lǐng)域取得了一定的成就,但還存在一定局限性:域?qū)顾惴▋H僅只是全局對齊源域和目標(biāo)域特征,沒有考慮特定的類別信息,特征和類別的聯(lián)合分布在數(shù)據(jù)域中沒有很好地對齊.因此,即使特征生成器經(jīng)過良好訓(xùn)練,能夠?qū)W得源域和目標(biāo)域樣本的領(lǐng)域不變特征,但因為分類器是在源域樣本上訓(xùn)練的,不能很好地推廣到目標(biāo)域樣本上.為解決上述問題,本文作者提出了一種兩級混淆域?qū)褂蜃赃m應(yīng)網(wǎng)絡(luò)(Confusion Adversarial Domain Adaptation Network,CADAN)來進(jìn)行跨域故障診斷,通過對抗性訓(xùn)練,使特征和類別的聯(lián)合分布在數(shù)據(jù)域之間保持一致.CADAN 的診斷模型由一個源域任務(wù)分類器、一個目標(biāo)域任務(wù)分類器、一個附加在它們之上的輔助分類器和一個特征提取器四個部分組成.通過附加的輔助分類器進(jìn)行領(lǐng)域鑒別,構(gòu)建了類別級和領(lǐng)域級的兩級混淆損失,從而增強(qiáng)面向類別級的領(lǐng)域不變特征學(xué)習(xí).通過在兩個軸承平臺上進(jìn)行了大量的故障診斷實驗,對所提出的方法進(jìn)行了評估,并與現(xiàn)有的診斷方法進(jìn)行了比較.實驗結(jié)果表明,在變工況故障診斷任務(wù)中,CADAN 的性能遠(yuǎn)遠(yuǎn)優(yōu)于其他5 種方法.

    1 無監(jiān)督對抗領(lǐng)域自適應(yīng)

    1.1 問題定義

    本文主要研究基于無監(jiān)督域自適應(yīng)的軸承故障診斷問題,其中標(biāo)記數(shù)據(jù)只存在于源域,目標(biāo)域中沒有標(biāo)記數(shù)據(jù).假設(shè)源域為,其有ns個標(biāo)簽樣本,目標(biāo)域為,其有nt個無標(biāo)簽樣本,這里x和y分別代表數(shù)據(jù)樣本和所對應(yīng)的標(biāo)簽.另外,對于源域和目標(biāo)域,當(dāng)數(shù)據(jù)來自不同的分布時,標(biāo)簽空間是相同的,假設(shè)類別數(shù)都為K.本文的目標(biāo)是建立一個生成網(wǎng)絡(luò)f=F(x)和分類器y=G(f),提取領(lǐng)域不變性和類別區(qū)分性特征,以最小化目標(biāo)域分類風(fēng)險ε(f)=其中E表示數(shù)學(xué)期望.

    1.2 對抗領(lǐng)域自適應(yīng)

    Ben[10]提出可以通過限制源域分類誤差和減小源域與目標(biāo)域分布之間的距離來降低目標(biāo)域分類誤差.而對抗學(xué)習(xí)能通過對抗訓(xùn)練,減小不同域分布之間距離[11].在對抗域自適應(yīng)方法中,對抗性損失函數(shù)有各種不同的可能選擇,文獻(xiàn)[12]中給出了一個總結(jié),這里只介紹與所研究內(nèi)容最相關(guān)的域混淆損失.

    對抗域適應(yīng)網(wǎng)絡(luò)通常包含特征提取器F,標(biāo)簽分類器G和域鑒別器D.因為源域數(shù)據(jù)是帶標(biāo)簽的,通過以下?lián)p失函數(shù),最小化源域分類誤差為

    式中:Lcls是交叉熵?fù)p;I是指示函數(shù).

    源域和目標(biāo)域分布不同,如果直接將上式訓(xùn)練的模型用在目標(biāo)域,可能會導(dǎo)致在目標(biāo)域中識別時性能降低.但可以直接訓(xùn)練一個域鑒別器D,在特征提取器提取到不同域樣本的特征后,識別樣本是來自源域還是目標(biāo)域,訓(xùn)練損失函數(shù)如下

    在給定D之后,通過施加域混淆損失,即計算域預(yù)測與域標(biāo)簽的均勻分布之間的交叉熵,訓(xùn)練特征提取器F以最大程度地“混淆”兩個域

    綜上所述,基于混淆損失的領(lǐng)域?qū)咕W(wǎng)絡(luò)的優(yōu)化目標(biāo)如下

    2 研究方法

    2.1 網(wǎng)絡(luò)結(jié)構(gòu)

    如圖1 所示,CADAN 網(wǎng)絡(luò)框架包括特征發(fā)生器F(紅色)、源任務(wù)分類器Gs(黃色)、目標(biāo)任務(wù)分類器Gt(綠色)、輔助分類器Gst(藍(lán)色)以及相應(yīng)的損失函數(shù),具體訓(xùn)練目標(biāo)損失函數(shù)見第2.2節(jié).為了有效地提取特征,減少復(fù)雜的信號預(yù)處理算法設(shè)計,采用一維卷積網(wǎng)絡(luò)作為特征提取器,直接對原始機(jī)械信號進(jìn)行處理.網(wǎng)絡(luò)的具體結(jié)構(gòu)如表1 所示,16-11×1 表示當(dāng)前卷積層有16 個11×1 大小的卷積核;Pad 為零填充運(yùn)算;BN 為批量歸一化;ReLU 表示所使用的激活函數(shù).在CADAN 中,不同域中的類別數(shù)目相同,因此Gs和Gt最后一層全連接層神經(jīng)元個數(shù)相同,假設(shè)其為K.給網(wǎng)絡(luò)一個輸入x,有as(x)=Gs(F(x)),at(x)=Gt(F(x)),其分別表示分類器Gs和Gt最后一層全連接層的輸出 .ps(x)=softmax(as(x)),pt(x)=softmax(at(x))為經(jīng)過softmax 操作后的輸出.對于輔助分類器Gst,其設(shè)計思路如下,給定輸入x,分類器Gs和Gt最后一層全連接層會輸出向量as(x)∈RK和at(x)∈RK,將其拼接成向量[as(x);at(x)]∈R2K,然后使用softmax 函數(shù),得到概率向量pst(x)∈[0,1]2K,即Gst(F(x))=pst(x).為了方便后續(xù)損失函數(shù)書寫,用(x)k∈{1,…,K}表示ps(x)的第k個元素,其中Gs(F(x))=ps(x),同理有需要 說明的是,在CADAN 設(shè)計中沒有顯式的域判別器.域判別和域混淆都是通過對分類器Gst施加適當(dāng)?shù)膿p失來實現(xiàn)的.

    表1 CADAN 網(wǎng)絡(luò)具體結(jié)構(gòu)Tab.1 Structure of the proposed model

    圖1 CADAN 網(wǎng)絡(luò)框架Fig.1 The architecture of CADAN

    2.2 網(wǎng)絡(luò)目標(biāo)函數(shù)

    2.2.1 分類器學(xué)習(xí)

    本文采用帶標(biāo)簽的源域樣本上的標(biāo)準(zhǔn)交叉熵?fù)p失來訓(xùn)練分類器Gs,損失函數(shù)可以定義為

    對于目標(biāo)域分類器Gt,因為目標(biāo)樣本沒有被標(biāo)記,不能直接使用它們來訓(xùn)練.想法是利用帶標(biāo)簽的源樣本,并使用以下交叉熵?fù)p失進(jìn)行訓(xùn)練

    初看之下,似乎Gt和Gs都是用源域數(shù)據(jù)進(jìn)行監(jiān)督學(xué)習(xí)的,Gt的學(xué)習(xí)和Gs一樣.然而,通過Gst進(jìn)行域鑒別訓(xùn)練將會使它們區(qū)別開來.事實上,使用(6)可以在Gs和Gt之間建立神經(jīng)元級的對應(yīng)關(guān)系,這為實現(xiàn)第2.2.3 節(jié)中提出的類別級域混淆提供了基礎(chǔ).同時,使用式(6),通過帶標(biāo)簽的源域樣本訓(xùn)練Gt也為其能更準(zhǔn)確的分類目標(biāo)域樣本奠定基礎(chǔ).

    2.2.2 域鑒別器學(xué)習(xí)

    Gs和Gt都使用帶標(biāo)簽的源域樣本進(jìn)行訓(xùn)練,為了區(qū)分它們,利用輔助分類器Gst,并使用以下交叉熵?fù)p失來學(xué)習(xí)Gst

    理想情況下,損失函數(shù)(5)、(6)和(7)的組合,不但使Gst前K個神經(jīng)元和后K個神經(jīng)元都具有很好的分類能力,而且還讓兩組神經(jīng)元有區(qū)分性.例如,對于第K 類的源域樣本xs,Gs和Gt都傾向于對其類別做出準(zhǔn)確的預(yù)測,而對于Gst,由于使用損失函數(shù)(7)的概率將大于同理,對于第K類的目標(biāo)域樣本xt,Gs和Gt也都傾向于對其所屬類別做出準(zhǔn)確的預(yù)測,而對于的概率將大于.

    2.2.3 兩級域混淆損失

    在CADAN 中,采用對抗訓(xùn)練的策略來學(xué)習(xí)特征提取器F,設(shè)計了域級混淆損失函數(shù)和類別級混淆損失函數(shù),最大程度地“混淆”源域和目標(biāo)域,使特征和類別的聯(lián)合分布在兩個域之間對齊.

    因為兩個域的全局混淆不需要標(biāo)簽信息,因此本文使用未標(biāo)記的目標(biāo)域樣本來構(gòu)建全局混淆損失.對于一個目標(biāo)域樣本,使用Gst中前K個和后K個神經(jīng)元,讓這兩組神經(jīng)元各自的預(yù)測結(jié)果之和與均勻分布[]之間的交叉熵作為損失,學(xué)習(xí)特征提取器F如下

    在F上最小化式(9),使得其輸出盡可能滿足就能使得域鑒別器無法判別特征生成器生成的特征是源域樣本特征還是目標(biāo)域樣本特征,從而實現(xiàn)兩個域的全局對齊.

    2.2.4 總目標(biāo)函數(shù)

    結(jié)合損失函數(shù)(5)、(6)和(7)來更新所有分類器,類別級混淆損失(8)和域級全局混淆損失(9)來更新特征生成器F,CADAN 網(wǎng)絡(luò)的整體優(yōu)化目標(biāo)如下

    這些損失很容易在標(biāo)準(zhǔn)的深度學(xué)習(xí)框架中實現(xiàn),在適當(dāng)?shù)卦O(shè)置學(xué)習(xí)率以便等式(10)僅更新G的參數(shù),等式(11)僅更新F的參數(shù)之后,可以通過標(biāo)準(zhǔn)反向傳播來執(zhí)行參數(shù)更新,總之,通過以上損失確保生成的特征在兩個域的相應(yīng)類別對齊.

    3 實驗結(jié)果分析

    3.1 實驗數(shù)據(jù)集

    數(shù)據(jù)集一采用美國凱斯西儲大學(xué)(CWRU)的軸承數(shù)據(jù) 集[14].數(shù)據(jù)是 在1 797 r/min/0 hp、1 772 r/min/1 hp、1 750 r/min/2 hp 和1 730 r/min/3 hp 四種工況下采集的,四種工況(A0、A1、A2、A3)可以建立12個遷移場景(A0→A1、A0→A2、A0→A3,A1→A0,A1→A2、A1→A3,A2→A0,A2→A1、A2→A3,A3→A0、A3→A1、A3→A2).本文使用的數(shù)據(jù)采樣頻率為12kHz.此數(shù)據(jù)中有4 種不同健康狀況的軸承,包括正常狀況(NC)、內(nèi)圈故障(IF)、外圈故障(OF)和滾子故障(RF),每種故障類型有三種不同的嚴(yán)重程度,即7、14和21 mil(1 mil=0.177 8 mm).因此,使用該數(shù)據(jù)可以形成10 個類別,即NC、IF-07、IF-14、IF-21、OF-07、OF-14、OF-21、RF-07、RF-14、RF-21.其中每個類別有500 個樣本,每個樣本由1024 個數(shù)據(jù)點組成,訓(xùn)練樣本和測試樣本劃分比例為7∶3.

    數(shù)據(jù)集二是帕德伯恩大學(xué)(PU)的軸承數(shù)據(jù)集[15].本文選取了5 種故障模式用于測試和分析,故障模式包括正常(NC)、外圈臨界損傷(OR-L)、外圈損傷(OR-H)、內(nèi)圈臨界損傷(IR-L)內(nèi)圈損傷(IR-H).另外,如表2 所示,該實驗是在四種工況下進(jìn)行的.可以形成12 個遷移診斷場景(B0→B1、B0→B2、B0→B3,B1→B0,B1→B2、B1→B3,B2→B0,B2→B1、B2→B3,B3→B0、B3→B1、B3→B2).在測試中,每類的軸承故障在每種工況下有1500 個樣本,每個樣本由1024 個點組成,訓(xùn)練樣本和測試樣本劃分比例為7∶3.

    表2 PU 數(shù)據(jù)集不同工況信息Tab.2 The information of PU working conditions

    3.2 實現(xiàn)細(xì)節(jié)與對比方法

    為更全面的評價,選擇了傳統(tǒng)深度學(xué)習(xí)方法CNN 和4 種深度領(lǐng)域自適應(yīng)網(wǎng)絡(luò)MMD、CORAL、DANN、MCD[16]進(jìn)行對比分析.本文方法CADAN和DANN 用Adam 算法訓(xùn)練,CNN、MMD、MCD、CORAL 使用隨機(jī)梯度下降訓(xùn)練.所有方法訓(xùn)練迭代200 次,batch size 大小為64.

    3.3 CWRU 數(shù)據(jù)集實驗結(jié)果

    表3 顯示了12 組CWRU 軸承診斷任務(wù)的實驗結(jié)果.在五種比較方法中,領(lǐng)域自適應(yīng)的方法優(yōu)于傳統(tǒng)深度學(xué)習(xí)方法.DANN、CORAL 和MMD 只對齊全局分布,平均識別率分別為94.06%、95.95%和96.64%.MCD 不僅考慮了全局分布的對齊,還考慮了決策邊界的模糊性,識別準(zhǔn)確率為97.62%.CADAN 在全局對齊基礎(chǔ)上進(jìn)行了更細(xì)粒度的類別對齊,促使特征生成器學(xué)習(xí)到更多可遷移特征,使得平均準(zhǔn)確率達(dá)到99.04%.此外,CORAL、DANN 在不同的任務(wù)中有很大的差異,特別是A0-A1、A0-A3任務(wù)的準(zhǔn)確率明顯低于其他任務(wù).相比之下,CADAN 可以在各種遷移任務(wù)中獲得比較魯棒結(jié)果.總的來說,這些實驗結(jié)果表明了本文所提出方法的有效性和優(yōu)越性.

    表3 CWRU 數(shù)據(jù)集測試準(zhǔn)確率Tab.3 Accuracy on CWRU dataset %

    更進(jìn)一步,本文通過混淆矩陣來進(jìn)行較為詳細(xì)的各個類別的分類性能分析.隨機(jī)選取任務(wù)A0-A3,計算出CADAN 和精度較高的4 種方法(MCD、CORAL、MMD、DANN)的混淆矩陣.結(jié)果如圖2所示,從中可以看出,MMD、CORAL 和DANN 在RF-21 類中存在較大的分類錯誤,特別是DANN,其準(zhǔn)確率僅僅為23%,錯誤地將RF-21 故障識別為RF-14 或 者RF-7.此 外,DANN 在IF-14 類中準(zhǔn) 確率為57%,將大多數(shù)IF-14 樣本識別為OF-21 樣本.與此相 反,CADAN 對RF-21 和IF-4 故障樣 本的識別準(zhǔn)確率達(dá)到100%.以上結(jié)果表明,與僅全局域?qū)R的方法相比,CADAN 進(jìn)行更細(xì)粒度的類級對齊,可以更好地分類目標(biāo)域中更難區(qū)分的類別,在復(fù)雜的診斷場景中具有更準(zhǔn)確的診斷結(jié)果.

    圖2 CWRU 混淆矩陣Fig.2 Confusion matrix on CWRU

    此外,本文繪制了6 種方法在任務(wù)A0-A3的測試誤差曲線,如圖3 所示,可以觀察到6 種方法都表現(xiàn)出相對滿意的收斂性能,但本文所提出的方法測試誤差明顯更低,曲線也更平滑.其他比較方法的測試誤差曲線雖然呈現(xiàn)水平收斂趨勢,但存在較大的波動和分類誤差.該圖清楚地表明,本文所提出方法在故障診斷中訓(xùn)練更穩(wěn)定,結(jié)果更準(zhǔn)確.

    圖3 CWRU 數(shù)據(jù)集測試誤差曲線圖Fig.3 Test error for all methods on CWRU

    最后,為了進(jìn)一步展示CADAN 的性能,利用t-SNE 技術(shù)對CADAN 和精度較高的四種方法特征生成器生成的特征進(jìn)行可視化.在診斷任務(wù)A0-A3下的二維可視化結(jié)果如圖4 所示,其中不同的顏色表示不同的類別.可以看出,CADAN 不僅能將兩個領(lǐng)域的類別對齊,而且還能很好地區(qū)分開各種不同的故障模式.相反,其他比較方法中僅僅進(jìn)行了全局對齊,源特征和目標(biāo)特征在對應(yīng)的類別上沒有很好的對齊.可視化的特征圖直觀地證明了CADAN能夠獲得最佳的特征學(xué)習(xí)和分類能力.

    圖4 CWRU 特征可視化Fig.4 Visualization of learned features on CWRU

    3.4 PU 數(shù)據(jù)集實驗結(jié)果

    PU 數(shù)據(jù)集分類結(jié)果如表4 所示.與未域適應(yīng)的CNN 相比,CADAN 獲得了大約27%的準(zhǔn)確率提升.與DANN、CORAL、MMD 三種只對齊全局分布,未進(jìn)行類別對齊的方法相比,CADAN 診斷精度分別提高約17%、6%、7%.與對齊了全局分布,并考慮到分類器邊界模糊性的MCD 相比,CADAN 診斷精度提高了2.44%.以上所有的結(jié)果都證明了CADAN 在變工故障診斷中的有效性和優(yōu)越性.

    表4 PU 數(shù)據(jù)集的測試準(zhǔn)確率Tab.4 Accuracy on PU dataset %

    本文用用t-SNE 對任務(wù)B3-B0特征生成器輸出的特征圖進(jìn)行可視化,從圖5 可以清楚地觀察到,對于本文所提出的方法來說,兩個域在相應(yīng)的類別上很好地對齊,因此CADAN 可以減少域之間的差異,學(xué)習(xí)更細(xì)粒度的域不變特征.相反,在其他的比較方法中,兩個領(lǐng)域在相應(yīng)類別上沒有很好的對齊,并且在類別之間可以觀察到很多混淆.總之,這些特征圖直觀體現(xiàn)了本文所提出方法的故障識別能力.

    圖5 PU 上學(xué)習(xí)特征的可視化Fig.5 Visualization of learned features on PU

    4 結(jié)論

    1)提出了一種新的變工況軸承故障診斷方法CADAN,與傳統(tǒng)領(lǐng)域自適應(yīng)方法只進(jìn)行兩個域特征的全局對齊相比,該方法使特征和類別的聯(lián)合分布在域間保持一致,即實現(xiàn)了兩個域之間各個類別的對齊.

    2)為了訓(xùn)練CADAN,提出了一種新的對抗性學(xué)習(xí)目標(biāo)函數(shù).在輔助分類器上實現(xiàn)域級和類級混淆損失,通過對抗訓(xùn)練驅(qū)動特征生成器生成更細(xì)粒度的類別對齊特征,提高診斷準(zhǔn)確率.

    3)CWRU 和PU 兩個數(shù)據(jù)集的結(jié)果表明,與深度學(xué)習(xí)方法CNN 和4 種領(lǐng)域自適應(yīng)方法相比,本文所提出的方法在變工況軸承故障診斷任務(wù)中準(zhǔn)確率最高,證明了其有效性.

    猜你喜歡
    源域類別分類器
    多源域適應(yīng)方法綜述
    基于參數(shù)字典的多源域自適應(yīng)學(xué)習(xí)算法
    BP-GA光照分類器在車道線識別中的應(yīng)用
    電子測試(2018年1期)2018-04-18 11:52:35
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
    服務(wù)類別
    新校長(2016年8期)2016-01-10 06:43:59
    可遷移測度準(zhǔn)則下的協(xié)變量偏移修正多源集成方法
    論類別股東會
    商事法論集(2014年1期)2014-06-27 01:20:42
    基于LLE降維和BP_Adaboost分類器的GIS局部放電模式識別
    中醫(yī)類別全科醫(yī)師培養(yǎng)模式的探討
    精品亚洲成国产av| 欧美成人午夜免费资源| 黄色欧美视频在线观看| 免费观看av网站的网址| 国产精品人妻久久久影院| 日韩成人av中文字幕在线观看| 久久久久国产精品人妻一区二区| 黄色欧美视频在线观看| 国产免费一级a男人的天堂| 亚洲av成人精品一二三区| 国产亚洲最大av| 大片免费播放器 马上看| 三级国产精品片| 在线观看免费视频网站a站| 最近中文字幕2019免费版| 欧美日韩在线观看h| 91久久精品国产一区二区三区| 国产精品嫩草影院av在线观看| 三上悠亚av全集在线观看 | av天堂久久9| 男人爽女人下面视频在线观看| 亚洲国产精品国产精品| 国产精品.久久久| 亚洲精品日韩在线中文字幕| 青春草亚洲视频在线观看| 欧美日韩av久久| 欧美一级a爱片免费观看看| 国产熟女欧美一区二区| 国产欧美另类精品又又久久亚洲欧美| videossex国产| 蜜桃久久精品国产亚洲av| 国产探花极品一区二区| 少妇人妻一区二区三区视频| 91精品国产国语对白视频| 一级黄片播放器| 日韩欧美一区视频在线观看 | 欧美xxxx性猛交bbbb| 日本欧美视频一区| 边亲边吃奶的免费视频| 多毛熟女@视频| 国产精品久久久久久精品电影小说| 一个人免费看片子| 国产永久视频网站| 99九九线精品视频在线观看视频| 欧美日韩亚洲高清精品| 国产成人精品福利久久| 少妇人妻久久综合中文| 国产精品久久久久成人av| 精品人妻一区二区三区麻豆| 成年美女黄网站色视频大全免费 | 最后的刺客免费高清国语| 免费黄网站久久成人精品| 成年人免费黄色播放视频 | 国产成人aa在线观看| 国产精品麻豆人妻色哟哟久久| 国产精品一区二区在线观看99| 少妇被粗大猛烈的视频| 美女内射精品一级片tv| 亚洲国产精品国产精品| 免费观看在线日韩| 有码 亚洲区| 中文乱码字字幕精品一区二区三区| 又爽又黄a免费视频| 精品酒店卫生间| 一区在线观看完整版| 99九九线精品视频在线观看视频| 秋霞在线观看毛片| 国产在线视频一区二区| 人人妻人人澡人人看| 亚洲精品久久午夜乱码| 三级国产精品片| 97超碰精品成人国产| 久久久亚洲精品成人影院| 午夜久久久在线观看| 女性被躁到高潮视频| 观看免费一级毛片| 久久久久久久久久人人人人人人| 女人精品久久久久毛片| 在线 av 中文字幕| 久久狼人影院| 这个男人来自地球电影免费观看 | 少妇猛男粗大的猛烈进出视频| 免费看日本二区| 亚洲在久久综合| 日本与韩国留学比较| 伦理电影免费视频| 国产精品伦人一区二区| 欧美人与善性xxx| 亚洲精品视频女| 男女国产视频网站| 妹子高潮喷水视频| .国产精品久久| 亚洲美女视频黄频| 婷婷色综合www| 极品少妇高潮喷水抽搐| 成人毛片60女人毛片免费| 777米奇影视久久| 五月天丁香电影| 一级毛片aaaaaa免费看小| a级毛片在线看网站| 午夜激情久久久久久久| 丝袜脚勾引网站| 高清毛片免费看| 免费看不卡的av| 日韩欧美 国产精品| 亚洲美女黄色视频免费看| 人人妻人人添人人爽欧美一区卜| videos熟女内射| 在线天堂最新版资源| 国产男人的电影天堂91| 啦啦啦啦在线视频资源| 国产av一区二区精品久久| 久久99一区二区三区| 成人国产av品久久久| 亚洲精品日韩av片在线观看| 日本猛色少妇xxxxx猛交久久| 丰满少妇做爰视频| 免费看日本二区| 18+在线观看网站| 日本免费在线观看一区| 亚洲熟女精品中文字幕| 97在线视频观看| 日韩免费高清中文字幕av| 免费看日本二区| 日韩精品免费视频一区二区三区 | 日日爽夜夜爽网站| 老司机影院成人| a级毛色黄片| 午夜免费观看性视频| 国产av精品麻豆| 大又大粗又爽又黄少妇毛片口| av黄色大香蕉| 亚洲经典国产精华液单| 亚洲伊人久久精品综合| 国模一区二区三区四区视频| 国产爽快片一区二区三区| 九草在线视频观看| 亚洲精品,欧美精品| 久久久精品94久久精品| 男人爽女人下面视频在线观看| 成人美女网站在线观看视频| 制服丝袜香蕉在线| www.色视频.com| 久久6这里有精品| 啦啦啦啦在线视频资源| 十八禁网站网址无遮挡 | 日本爱情动作片www.在线观看| 嘟嘟电影网在线观看| 91精品一卡2卡3卡4卡| 在线看a的网站| 爱豆传媒免费全集在线观看| 色婷婷久久久亚洲欧美| 伊人久久国产一区二区| 女性生殖器流出的白浆| 观看av在线不卡| 精品少妇久久久久久888优播| 国产69精品久久久久777片| 另类亚洲欧美激情| 三级经典国产精品| 欧美日韩在线观看h| 搡女人真爽免费视频火全软件| 18禁在线播放成人免费| 乱系列少妇在线播放| 精品久久国产蜜桃| 91久久精品国产一区二区成人| 在线免费观看不下载黄p国产| 亚洲第一av免费看| av福利片在线观看| 精品久久久久久久久亚洲| 偷拍熟女少妇极品色| 免费黄色在线免费观看| 亚洲人成网站在线观看播放| 亚洲真实伦在线观看| a级毛片免费高清观看在线播放| 精品一区二区三区视频在线| 亚洲av成人精品一区久久| tube8黄色片| 精品亚洲成国产av| 在线精品无人区一区二区三| 久久热精品热| 亚洲内射少妇av| 美女cb高潮喷水在线观看| 日日啪夜夜爽| 黄色配什么色好看| 女人精品久久久久毛片| 五月天丁香电影| 人人妻人人看人人澡| 亚洲精品视频女| 18禁在线播放成人免费| 大香蕉97超碰在线| 两个人免费观看高清视频 | 男男h啪啪无遮挡| 婷婷色av中文字幕| 91精品一卡2卡3卡4卡| 3wmmmm亚洲av在线观看| 国产免费一区二区三区四区乱码| tube8黄色片| 国产成人精品无人区| 欧美日韩精品成人综合77777| 亚洲成人手机| 成人二区视频| 久久久久久久久久久免费av| 97超视频在线观看视频| 春色校园在线视频观看| 精品一区二区三卡| 亚洲国产精品一区二区三区在线| 精品国产一区二区久久| 狂野欧美激情性xxxx在线观看| 一级黄片播放器| 在线精品无人区一区二区三| 菩萨蛮人人尽说江南好唐韦庄| 欧美日韩国产mv在线观看视频| 亚洲av综合色区一区| 国产精品人妻久久久久久| 汤姆久久久久久久影院中文字幕| 国产亚洲午夜精品一区二区久久| 久久6这里有精品| 麻豆成人午夜福利视频| 国产精品久久久久久精品古装| 亚洲,欧美,日韩| 亚洲av中文av极速乱| 亚洲内射少妇av| 精品人妻熟女av久视频| 国产淫语在线视频| 久久免费观看电影| 免费av中文字幕在线| 少妇 在线观看| 久久久欧美国产精品| 国产黄色免费在线视频| 亚洲国产精品一区三区| 中文字幕制服av| .国产精品久久| 国产精品国产三级国产av玫瑰| 大香蕉97超碰在线| 免费人成在线观看视频色| 国内少妇人妻偷人精品xxx网站| 国产亚洲午夜精品一区二区久久| 国产精品国产三级国产专区5o| 欧美激情国产日韩精品一区| 国产欧美日韩综合在线一区二区 | 精品亚洲乱码少妇综合久久| 欧美日本中文国产一区发布| 性高湖久久久久久久久免费观看| 国产伦理片在线播放av一区| 国产精品成人在线| 日本av手机在线免费观看| 欧美 日韩 精品 国产| 亚洲人成网站在线观看播放| 日韩精品免费视频一区二区三区 | 少妇人妻精品综合一区二区| 久久久久久久久久成人| 精品国产一区二区久久| 在现免费观看毛片| 国产欧美日韩精品一区二区| 国产午夜精品久久久久久一区二区三区| 一二三四中文在线观看免费高清| av在线老鸭窝| 这个男人来自地球电影免费观看 | 观看美女的网站| tube8黄色片| 2022亚洲国产成人精品| 18禁在线无遮挡免费观看视频| 成人午夜精彩视频在线观看| 天堂中文最新版在线下载| 亚洲精品国产成人久久av| 麻豆精品久久久久久蜜桃| 亚洲成人av在线免费| 一级a做视频免费观看| 好男人视频免费观看在线| 国产淫语在线视频| 久久99精品国语久久久| 日本av手机在线免费观看| 久久99热6这里只有精品| 精品国产一区二区三区久久久樱花| 国产男女内射视频| 嘟嘟电影网在线观看| 欧美日韩一区二区视频在线观看视频在线| √禁漫天堂资源中文www| 熟女人妻精品中文字幕| 国产黄片美女视频| 亚洲精品国产成人久久av| 十八禁高潮呻吟视频 | 国产成人免费无遮挡视频| 精品一品国产午夜福利视频| av免费观看日本| 99久久精品国产国产毛片| 国产精品99久久久久久久久| 视频区图区小说| 久久久久精品性色| 成年人免费黄色播放视频 | 国产日韩欧美视频二区| 性高湖久久久久久久久免费观看| 免费久久久久久久精品成人欧美视频 | 免费看av在线观看网站| 国产有黄有色有爽视频| 多毛熟女@视频| 国产无遮挡羞羞视频在线观看| 亚洲性久久影院| 日韩不卡一区二区三区视频在线| 日韩成人av中文字幕在线观看| 欧美 日韩 精品 国产| 久久国产精品大桥未久av | 亚洲第一av免费看| 国产黄频视频在线观看| 最近中文字幕高清免费大全6| 97在线人人人人妻| 大话2 男鬼变身卡| av天堂久久9| 亚洲精品456在线播放app| 久久久久久久久久人人人人人人| 亚洲欧洲日产国产| 中文字幕免费在线视频6| 亚洲成人av在线免费| 少妇的逼好多水| 纯流量卡能插随身wifi吗| 国产精品一区二区在线观看99| 亚州av有码| 秋霞在线观看毛片| 亚洲经典国产精华液单| 一边亲一边摸免费视频| 久久99热6这里只有精品| 黑丝袜美女国产一区| 免费av中文字幕在线| 丝瓜视频免费看黄片| 交换朋友夫妻互换小说| 一二三四中文在线观看免费高清| 欧美精品高潮呻吟av久久| 蜜臀久久99精品久久宅男| 久久韩国三级中文字幕| 中文字幕人妻熟人妻熟丝袜美| 午夜免费观看性视频| 日韩一本色道免费dvd| 91在线精品国自产拍蜜月| 乱人伦中国视频| 少妇高潮的动态图| 久久99蜜桃精品久久| 国产成人免费无遮挡视频| 麻豆精品久久久久久蜜桃| 中文资源天堂在线| 少妇人妻久久综合中文| 黄色视频在线播放观看不卡| 国产成人freesex在线| 久久人人爽人人爽人人片va| 丰满饥渴人妻一区二区三| 久久女婷五月综合色啪小说| 一级a做视频免费观看| 久热久热在线精品观看| 边亲边吃奶的免费视频| 久久av网站| 久久久久久久久久成人| 女人精品久久久久毛片| 亚洲av综合色区一区| 在线天堂最新版资源| 有码 亚洲区| 国产一级毛片在线| 欧美日韩一区二区视频在线观看视频在线| 少妇的逼好多水| 老熟女久久久| 最新的欧美精品一区二区| 精品久久久精品久久久| 青春草视频在线免费观看| 精品国产乱码久久久久久小说| 一级毛片我不卡| 熟女av电影| 亚洲国产精品专区欧美| 成年人午夜在线观看视频| 精品人妻熟女毛片av久久网站| 26uuu在线亚洲综合色| 人妻少妇偷人精品九色| 日韩熟女老妇一区二区性免费视频| 欧美少妇被猛烈插入视频| 免费黄网站久久成人精品| 汤姆久久久久久久影院中文字幕| 午夜福利影视在线免费观看| 99国产精品免费福利视频| 大码成人一级视频| 免费看日本二区| 制服丝袜香蕉在线| 国产黄片视频在线免费观看| h视频一区二区三区| 亚洲怡红院男人天堂| 性色av一级| 亚洲精品视频女| 下体分泌物呈黄色| 天堂中文最新版在线下载| 美女福利国产在线| h视频一区二区三区| 日韩大片免费观看网站| 久久精品国产a三级三级三级| 少妇人妻一区二区三区视频| 麻豆乱淫一区二区| 插逼视频在线观看| 亚洲自偷自拍三级| 美女视频免费永久观看网站| 三级国产精品欧美在线观看| 大片免费播放器 马上看| 免费看光身美女| 成人18禁高潮啪啪吃奶动态图 | 亚洲精品中文字幕在线视频 | 丰满乱子伦码专区| 国产色婷婷99| 日日撸夜夜添| 亚洲精品乱码久久久v下载方式| 哪个播放器可以免费观看大片| 国产黄色视频一区二区在线观看| 久久久久久久久久成人| 亚洲精品国产色婷婷电影| 一级毛片aaaaaa免费看小| 女人精品久久久久毛片| 内地一区二区视频在线| 少妇人妻一区二区三区视频| av不卡在线播放| 少妇高潮的动态图| 校园人妻丝袜中文字幕| 国产欧美日韩精品一区二区| 国产精品秋霞免费鲁丝片| 少妇人妻精品综合一区二区| 色网站视频免费| 日本猛色少妇xxxxx猛交久久| 国产精品国产三级国产专区5o| 99精国产麻豆久久婷婷| 2018国产大陆天天弄谢| 纯流量卡能插随身wifi吗| www.av在线官网国产| 亚洲内射少妇av| 丁香六月天网| 日本午夜av视频| 精品一区二区三区视频在线| 国产午夜精品一二区理论片| 亚洲精品久久久久久婷婷小说| 精品少妇久久久久久888优播| 国产乱人偷精品视频| 午夜福利网站1000一区二区三区| 久久久久人妻精品一区果冻| 中文字幕人妻熟人妻熟丝袜美| 一级,二级,三级黄色视频| 国产淫语在线视频| 久久99热6这里只有精品| 黄色欧美视频在线观看| 视频区图区小说| 简卡轻食公司| 欧美xxⅹ黑人| 午夜91福利影院| 精品酒店卫生间| 综合色丁香网| 尾随美女入室| 精品一区在线观看国产| 夜夜爽夜夜爽视频| 日本vs欧美在线观看视频 | 青春草视频在线免费观看| 国产成人免费观看mmmm| 中文字幕亚洲精品专区| 国产精品成人在线| 亚洲欧美日韩另类电影网站| 人妻夜夜爽99麻豆av| 国产亚洲精品久久久com| 久久女婷五月综合色啪小说| 午夜免费鲁丝| 亚洲无线观看免费| 日韩强制内射视频| 久久这里有精品视频免费| av又黄又爽大尺度在线免费看| 涩涩av久久男人的天堂| 一区二区av电影网| 99热这里只有精品一区| 日本色播在线视频| 国产乱人偷精品视频| 国产成人精品婷婷| 欧美人与善性xxx| 18禁在线无遮挡免费观看视频| 天堂中文最新版在线下载| 少妇人妻精品综合一区二区| 精品国产乱码久久久久久小说| 免费黄频网站在线观看国产| 丰满乱子伦码专区| 伦理电影大哥的女人| av不卡在线播放| 久久久午夜欧美精品| 国产爽快片一区二区三区| 亚洲自偷自拍三级| 亚洲性久久影院| 精品卡一卡二卡四卡免费| 亚洲av日韩在线播放| 少妇熟女欧美另类| 日韩制服骚丝袜av| 日韩一区二区视频免费看| 人人澡人人妻人| 亚洲中文av在线| 国产精品无大码| 69精品国产乱码久久久| 久久精品夜色国产| 美女脱内裤让男人舔精品视频| 中文字幕av电影在线播放| 国产成人一区二区在线| 91久久精品国产一区二区三区| 国产又色又爽无遮挡免| 多毛熟女@视频| 国产伦精品一区二区三区四那| 亚洲成色77777| 亚洲精品亚洲一区二区| 亚洲欧洲日产国产| 国产亚洲av片在线观看秒播厂| av播播在线观看一区| 丝袜脚勾引网站| 熟女电影av网| 国产在视频线精品| 人人妻人人澡人人爽人人夜夜| 日日爽夜夜爽网站| av有码第一页| 大片免费播放器 马上看| 国产黄片美女视频| 六月丁香七月| 久久久久久久久久久免费av| 美女福利国产在线| 国产黄片美女视频| 亚洲高清免费不卡视频| 性高湖久久久久久久久免费观看| 91久久精品国产一区二区成人| 看免费成人av毛片| 亚洲精品久久午夜乱码| 国产一区二区三区综合在线观看 | 99国产精品免费福利视频| 视频中文字幕在线观看| 一个人看视频在线观看www免费| 成人漫画全彩无遮挡| 亚洲无线观看免费| 黄色怎么调成土黄色| 不卡视频在线观看欧美| 91在线精品国自产拍蜜月| 国产成人精品福利久久| 国产片特级美女逼逼视频| 哪个播放器可以免费观看大片| 一级爰片在线观看| 久久综合国产亚洲精品| 一级毛片黄色毛片免费观看视频| 国产乱来视频区| 亚洲伊人久久精品综合| 欧美老熟妇乱子伦牲交| 亚洲综合精品二区| 国产精品无大码| 成人美女网站在线观看视频| 校园人妻丝袜中文字幕| 两个人的视频大全免费| 纯流量卡能插随身wifi吗| 一级a做视频免费观看| 日韩熟女老妇一区二区性免费视频| 国产 精品1| 搡女人真爽免费视频火全软件| 国产av一区二区精品久久| 国产成人a∨麻豆精品| 22中文网久久字幕| 蜜桃久久精品国产亚洲av| 男女边吃奶边做爰视频| 欧美最新免费一区二区三区| 免费在线观看成人毛片| 久久久久久久久大av| 97超碰精品成人国产| 午夜福利影视在线免费观看| 少妇人妻一区二区三区视频| 男女无遮挡免费网站观看| 国产免费视频播放在线视频| 亚洲精品亚洲一区二区| 新久久久久国产一级毛片| 9色porny在线观看| 精品熟女少妇av免费看| 久热久热在线精品观看| 夫妻午夜视频| 一个人看视频在线观看www免费| 国产高清有码在线观看视频| 老司机影院毛片| 久久久久网色| 亚洲真实伦在线观看| 女的被弄到高潮叫床怎么办| 色婷婷av一区二区三区视频| 欧美精品高潮呻吟av久久| 国产精品欧美亚洲77777| 久久av网站| 91在线精品国自产拍蜜月| 亚洲成色77777| 99久国产av精品国产电影| 美女大奶头黄色视频| 99热这里只有是精品在线观看| 精品国产乱码久久久久久小说| 久久精品国产鲁丝片午夜精品| 中文精品一卡2卡3卡4更新| 欧美人与善性xxx| 一区二区三区乱码不卡18| 伊人亚洲综合成人网| 免费看av在线观看网站| 极品人妻少妇av视频| 久久狼人影院| 亚洲情色 制服丝袜| 性高湖久久久久久久久免费观看| 婷婷色综合www| 91午夜精品亚洲一区二区三区| 丝袜在线中文字幕| 视频区图区小说| 欧美一级a爱片免费观看看| 亚洲精品国产色婷婷电影| 国产成人精品福利久久| av不卡在线播放| 亚洲精品久久久久久婷婷小说| 亚洲美女搞黄在线观看| 亚洲av福利一区| 国产伦在线观看视频一区| 久久午夜福利片| 纵有疾风起免费观看全集完整版| 久久精品国产亚洲网站| 亚洲av成人精品一二三区| 中国美白少妇内射xxxbb| 日韩亚洲欧美综合| 人人妻人人澡人人看| 国产成人一区二区在线| 国产 精品1| 亚洲精品乱久久久久久|