• <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
    熟女电影av网| 国产成+人综合+亚洲专区| 亚洲专区字幕在线| 天天躁狠狠躁夜夜躁狠狠躁| 久久久精品欧美日韩精品| 偷拍熟女少妇极品色| 操出白浆在线播放| 色尼玛亚洲综合影院| 国产精品电影一区二区三区| 日韩国内少妇激情av| 麻豆成人av在线观看| www日本黄色视频网| 日韩欧美一区二区三区在线观看| 亚洲精华国产精华精| 最近在线观看免费完整版| 最新在线观看一区二区三区| 在线观看舔阴道视频| 亚洲专区中文字幕在线| 视频区欧美日本亚洲| 青草久久国产| 啦啦啦观看免费观看视频高清| 一级黄色大片毛片| 在线免费观看的www视频| 色精品久久人妻99蜜桃| 国产成人啪精品午夜网站| 欧美绝顶高潮抽搐喷水| 国产真人三级小视频在线观看| 香蕉丝袜av| 老司机午夜十八禁免费视频| 一本综合久久免费| 日韩 欧美 亚洲 中文字幕| 日本免费a在线| 非洲黑人性xxxx精品又粗又长| 99热精品在线国产| 好男人电影高清在线观看| АⅤ资源中文在线天堂| 99久久无色码亚洲精品果冻| 欧美成人免费av一区二区三区| 国产伦一二天堂av在线观看| 日韩 欧美 亚洲 中文字幕| 亚洲精品中文字幕一二三四区| 97超级碰碰碰精品色视频在线观看| 少妇的逼水好多| 成人av一区二区三区在线看| 色综合站精品国产| 国产单亲对白刺激| 757午夜福利合集在线观看| 欧美av亚洲av综合av国产av| 精品免费久久久久久久清纯| 亚洲av电影不卡..在线观看| 成人国产综合亚洲| 日韩欧美一区二区三区在线观看| 成年人黄色毛片网站| 最新美女视频免费是黄的| 在线观看66精品国产| 热99在线观看视频| 国产精华一区二区三区| 亚洲在线观看片| 久久精品91蜜桃| 免费电影在线观看免费观看| 成人av在线播放网站| 中文字幕久久专区| 亚洲真实伦在线观看| 亚洲av电影在线进入| 三级毛片av免费| 真人做人爱边吃奶动态| 日韩人妻高清精品专区| 亚洲九九香蕉| 99热这里只有精品一区 | 久久婷婷人人爽人人干人人爱| 久久久久久大精品| 午夜免费激情av| 亚洲av五月六月丁香网| 免费无遮挡裸体视频| 日韩欧美国产一区二区入口| 日韩欧美三级三区| 69av精品久久久久久| 亚洲人成电影免费在线| 伦理电影免费视频| 国产亚洲精品一区二区www| 国产爱豆传媒在线观看| 1000部很黄的大片| 天天躁狠狠躁夜夜躁狠狠躁| 久久精品国产亚洲av香蕉五月| 国产视频一区二区在线看| 欧美又色又爽又黄视频| 国内揄拍国产精品人妻在线| 久久精品国产亚洲av香蕉五月| 男人舔女人下体高潮全视频| 成人av一区二区三区在线看| 特级一级黄色大片| 日韩欧美在线乱码| 成年版毛片免费区| 久久国产精品影院| 色老头精品视频在线观看| 黄色日韩在线| 91麻豆av在线| 观看美女的网站| 色综合亚洲欧美另类图片| 琪琪午夜伦伦电影理论片6080| 亚洲18禁久久av| 国产高潮美女av| 亚洲 欧美 日韩 在线 免费| 久久人人精品亚洲av| 日韩 欧美 亚洲 中文字幕| 久久久久久久久久黄片| 国产私拍福利视频在线观看| 久久久久久久午夜电影| 亚洲熟妇熟女久久| 国产精品久久久久久亚洲av鲁大| 一级a爱片免费观看的视频| 美女大奶头视频| 国产精品九九99| 天天躁日日操中文字幕| 精品一区二区三区四区五区乱码| 亚洲在线观看片| 一区二区三区激情视频| 亚洲国产精品sss在线观看| 亚洲国产欧洲综合997久久,| 天天躁日日操中文字幕| 成年女人毛片免费观看观看9| 看片在线看免费视频| 久久精品国产综合久久久| 午夜精品在线福利| av视频在线观看入口| 免费人成视频x8x8入口观看| 精品一区二区三区四区五区乱码| 精品一区二区三区av网在线观看| 国产伦精品一区二区三区四那| www日本在线高清视频| 不卡一级毛片| 男人舔女人下体高潮全视频| 嫩草影院精品99| 国产淫片久久久久久久久 | 日韩中文字幕欧美一区二区| 一级a爱片免费观看的视频| 淫秽高清视频在线观看| 又大又爽又粗| 99久久综合精品五月天人人| 人妻丰满熟妇av一区二区三区| 欧美日韩瑟瑟在线播放| 亚洲国产欧洲综合997久久,| 色视频www国产| 网址你懂的国产日韩在线| 国产精品免费一区二区三区在线| 99久久精品国产亚洲精品| 国内精品一区二区在线观看| 中文字幕人妻丝袜一区二区| 狂野欧美激情性xxxx| av福利片在线观看| 久久久国产精品麻豆| 特大巨黑吊av在线直播| 12—13女人毛片做爰片一| 国产精品女同一区二区软件 | 天堂√8在线中文| 非洲黑人性xxxx精品又粗又长| www日本在线高清视频| 18禁国产床啪视频网站| 久久久国产成人精品二区| 麻豆成人av在线观看| 久久香蕉国产精品| 精品午夜福利视频在线观看一区| 麻豆久久精品国产亚洲av| 嫩草影院精品99| 国产久久久一区二区三区| 国产一级毛片七仙女欲春2| 久久久国产精品麻豆| 成人亚洲精品av一区二区| 精品一区二区三区视频在线观看免费| 欧美成人性av电影在线观看| 美女被艹到高潮喷水动态| 无遮挡黄片免费观看| 国产成人影院久久av| 色综合婷婷激情| 日本 av在线| 久久久色成人| 又黄又爽又免费观看的视频| 视频区欧美日本亚洲| 熟女少妇亚洲综合色aaa.| 动漫黄色视频在线观看| 搡老妇女老女人老熟妇| 国产1区2区3区精品| 搡老岳熟女国产| 久久九九热精品免费| 亚洲成av人片在线播放无| 国产主播在线观看一区二区| 在线观看日韩欧美| 亚洲精品一卡2卡三卡4卡5卡| 国产欧美日韩精品亚洲av| 成人三级做爰电影| 亚洲中文字幕日韩| 成人午夜高清在线视频| 小蜜桃在线观看免费完整版高清| 1024香蕉在线观看| 人妻久久中文字幕网| 亚洲国产高清在线一区二区三| 黄色视频,在线免费观看| 午夜成年电影在线免费观看| 2021天堂中文幕一二区在线观| 精品久久久久久久末码| 老司机深夜福利视频在线观看| 深夜精品福利| 日本在线视频免费播放| 免费看a级黄色片| 中国美女看黄片| 真人做人爱边吃奶动态| 国产欧美日韩一区二区三| 老司机午夜十八禁免费视频| 免费在线观看影片大全网站| 这个男人来自地球电影免费观看| 搞女人的毛片| 欧美一区二区国产精品久久精品| 亚洲人成网站高清观看| 热99在线观看视频| 亚洲精品456在线播放app | 国产成人影院久久av| 国产亚洲精品av在线| 色噜噜av男人的天堂激情| 桃红色精品国产亚洲av| 婷婷亚洲欧美| 国产精品av久久久久免费| 国产人伦9x9x在线观看| 一级a爱片免费观看的视频| 禁无遮挡网站| 婷婷亚洲欧美| 亚洲九九香蕉| 欧美最黄视频在线播放免费| 1024香蕉在线观看| 欧美丝袜亚洲另类 | 操出白浆在线播放| 亚洲中文字幕日韩| 久久久久久久精品吃奶| 亚洲专区字幕在线| 噜噜噜噜噜久久久久久91| 久久伊人香网站| 人人妻人人澡欧美一区二区| 国产真实乱freesex| 国产精品99久久99久久久不卡| 久久精品综合一区二区三区| 91老司机精品| 丰满的人妻完整版| 久久精品国产99精品国产亚洲性色| 身体一侧抽搐| 91在线精品国自产拍蜜月 | 一区二区三区高清视频在线| 久久精品91无色码中文字幕| 欧美绝顶高潮抽搐喷水| 午夜福利免费观看在线| 人妻丰满熟妇av一区二区三区| av国产免费在线观看| 麻豆国产av国片精品| 欧美激情久久久久久爽电影| 99国产综合亚洲精品| 久久午夜综合久久蜜桃| 国产一区二区在线观看日韩 | 国产69精品久久久久777片 | 精品久久久久久成人av| 日韩免费av在线播放| 老汉色av国产亚洲站长工具| 色尼玛亚洲综合影院| 精品一区二区三区视频在线观看免费| 亚洲av日韩精品久久久久久密| 成人三级做爰电影| 2021天堂中文幕一二区在线观| 欧美乱妇无乱码| 岛国在线观看网站| 我要搜黄色片| 淫妇啪啪啪对白视频| 搡老岳熟女国产| 欧美日韩福利视频一区二区| 夜夜看夜夜爽夜夜摸| 国产伦人伦偷精品视频| 91在线观看av| 日韩三级视频一区二区三区| 两个人看的免费小视频| 丰满的人妻完整版| 成人亚洲精品av一区二区| 好男人电影高清在线观看| www.www免费av| 国产精品亚洲美女久久久| 久久精品影院6| 欧美中文综合在线视频| 亚洲自拍偷在线| 欧美成狂野欧美在线观看| 欧美激情久久久久久爽电影| 亚洲七黄色美女视频| 精品久久久久久久久久免费视频| 国产免费av片在线观看野外av| 97超级碰碰碰精品色视频在线观看| 亚洲 欧美 日韩 在线 免费| 男人的好看免费观看在线视频| 亚洲国产精品合色在线| 免费看美女性在线毛片视频| 日韩欧美在线乱码| 国产精品爽爽va在线观看网站| 最新美女视频免费是黄的| 欧美在线黄色| 欧美黄色淫秽网站| 欧美日本亚洲视频在线播放| xxxwww97欧美| 欧美+亚洲+日韩+国产| 国模一区二区三区四区视频 | 十八禁人妻一区二区| 一个人看视频在线观看www免费 | 很黄的视频免费| 国产精品1区2区在线观看.| 极品教师在线免费播放| 91在线观看av| 国产一区二区激情短视频| 亚洲天堂国产精品一区在线| 国内揄拍国产精品人妻在线| 99久久综合精品五月天人人| 村上凉子中文字幕在线| 99久久国产精品久久久| 12—13女人毛片做爰片一| 久久精品91无色码中文字幕| 变态另类成人亚洲欧美熟女| 嫩草影院入口| 亚洲av五月六月丁香网| 亚洲欧美一区二区三区黑人| netflix在线观看网站| 久久精品影院6| 中文在线观看免费www的网站| 亚洲成人中文字幕在线播放| 国产v大片淫在线免费观看| 日韩欧美国产一区二区入口| 国产麻豆成人av免费视频| 老汉色∧v一级毛片| 18禁裸乳无遮挡免费网站照片| 免费看光身美女| 最近视频中文字幕2019在线8| 久久国产精品人妻蜜桃| 99热只有精品国产| 最近最新中文字幕大全电影3| av国产免费在线观看| 国产视频内射| 成人国产一区最新在线观看| 午夜激情福利司机影院| 久久精品人妻少妇| 无人区码免费观看不卡| 91字幕亚洲| 成年人黄色毛片网站| 成人特级黄色片久久久久久久| 国模一区二区三区四区视频 | 别揉我奶头~嗯~啊~动态视频| 99视频精品全部免费 在线 | 人人妻人人澡欧美一区二区| 欧美3d第一页| 搡老岳熟女国产| xxxwww97欧美| 午夜影院日韩av| 国产亚洲欧美98| 伊人久久大香线蕉亚洲五| 黄色丝袜av网址大全| 国产又色又爽无遮挡免费看| 亚洲avbb在线观看| 在线视频色国产色| 欧美黄色淫秽网站| 亚洲国产精品999在线| 成人鲁丝片一二三区免费| 动漫黄色视频在线观看| 久久九九热精品免费| 亚洲电影在线观看av| 免费搜索国产男女视频| 手机成人av网站| 免费av毛片视频| av片东京热男人的天堂| 色在线成人网| 亚洲第一欧美日韩一区二区三区| 亚洲欧美日韩无卡精品| 性欧美人与动物交配| 久久久国产欧美日韩av| 欧美丝袜亚洲另类 | 成人鲁丝片一二三区免费| 久久久久亚洲av毛片大全| 国产成人aa在线观看| 日本免费一区二区三区高清不卡| 国产真实乱freesex| 成人av一区二区三区在线看| 国产成人aa在线观看| 999精品在线视频| 亚洲成av人片免费观看| 午夜福利高清视频| 国产成人av教育| 91字幕亚洲| 热99re8久久精品国产| 老熟妇仑乱视频hdxx| av欧美777| 99久国产av精品| 美女大奶头视频| 91麻豆av在线| 草草在线视频免费看| 欧美中文综合在线视频| 国产91精品成人一区二区三区| 国内久久婷婷六月综合欲色啪| 在线永久观看黄色视频| 最新美女视频免费是黄的| 亚洲,欧美精品.| 男女那种视频在线观看| 99在线人妻在线中文字幕| 脱女人内裤的视频| 一个人免费在线观看的高清视频| 9191精品国产免费久久| 黄频高清免费视频| 亚洲午夜精品一区,二区,三区| 老鸭窝网址在线观看| 在线观看66精品国产| a在线观看视频网站| 久久精品91蜜桃| 青草久久国产| 国产乱人视频| 亚洲一区高清亚洲精品| 一a级毛片在线观看| 日本三级黄在线观看| 在线永久观看黄色视频| 免费观看精品视频网站| 欧美一区二区国产精品久久精品| 国产伦一二天堂av在线观看| 99久久无色码亚洲精品果冻| 国产精品久久久久久久电影 | 国产探花在线观看一区二区| 国产黄a三级三级三级人| 看片在线看免费视频| 露出奶头的视频| 91在线观看av| 久久久久久久精品吃奶| av天堂中文字幕网| 毛片女人毛片| 人人妻,人人澡人人爽秒播| 国产视频内射| 少妇人妻一区二区三区视频| 日韩欧美在线二视频| 免费av毛片视频| 久久国产精品人妻蜜桃| 琪琪午夜伦伦电影理论片6080| 中文资源天堂在线| 日日干狠狠操夜夜爽| 亚洲午夜精品一区,二区,三区| 免费看十八禁软件| 我的老师免费观看完整版| 欧美日韩福利视频一区二区| 日韩成人在线观看一区二区三区| 成人亚洲精品av一区二区| 18禁黄网站禁片免费观看直播| 久久伊人香网站| 日本精品一区二区三区蜜桃| 日日夜夜操网爽| 国产一区二区三区在线臀色熟女| 不卡av一区二区三区| 岛国在线免费视频观看| 18禁国产床啪视频网站| 欧美大码av| 亚洲18禁久久av| 可以在线观看毛片的网站| 90打野战视频偷拍视频| 特级一级黄色大片| 国产精品 国内视频| 亚洲成人免费电影在线观看| 女警被强在线播放| 成人三级黄色视频| 中文在线观看免费www的网站| 黄片小视频在线播放| 一级毛片女人18水好多| 成在线人永久免费视频| www日本在线高清视频| 男女视频在线观看网站免费| 色哟哟哟哟哟哟| 欧美色欧美亚洲另类二区| 少妇人妻一区二区三区视频| 国产精品久久电影中文字幕| 男女床上黄色一级片免费看| 黑人操中国人逼视频| 99国产精品一区二区蜜桃av| 日本黄大片高清| 在线观看免费午夜福利视频| 搡老岳熟女国产| 欧美一级毛片孕妇| 免费电影在线观看免费观看| 国产1区2区3区精品| 亚洲欧美一区二区三区黑人| av福利片在线观看| 成人性生交大片免费视频hd| 亚洲欧美日韩无卡精品| 伦理电影免费视频| 五月玫瑰六月丁香| 久久精品亚洲精品国产色婷小说| 一个人观看的视频www高清免费观看 | 成年女人看的毛片在线观看| 精品一区二区三区视频在线 | 日本免费a在线| 国产精品1区2区在线观看.| 日本一二三区视频观看| 日韩人妻高清精品专区| 午夜福利成人在线免费观看| 欧美黑人欧美精品刺激| 9191精品国产免费久久| 69av精品久久久久久| 999久久久精品免费观看国产| 国产欧美日韩一区二区精品| 亚洲国产精品sss在线观看| 欧美国产日韩亚洲一区| 国产91精品成人一区二区三区| 中文字幕久久专区| 久久精品综合一区二区三区| 欧美日韩瑟瑟在线播放| 欧美色视频一区免费| 亚洲自拍偷在线| 黄色丝袜av网址大全| 亚洲av日韩精品久久久久久密| 又黄又爽又免费观看的视频| 最近在线观看免费完整版| 2021天堂中文幕一二区在线观| 午夜成年电影在线免费观看| 国产91精品成人一区二区三区| 午夜日韩欧美国产| 嫩草影院入口| 国产高清视频在线播放一区| 欧美日韩亚洲国产一区二区在线观看| 在线免费观看的www视频| 中文字幕av在线有码专区| 亚洲国产欧美一区二区综合| 1000部很黄的大片| 特大巨黑吊av在线直播| 久久久水蜜桃国产精品网| 亚洲国产日韩欧美精品在线观看 | 国内久久婷婷六月综合欲色啪| 19禁男女啪啪无遮挡网站| 亚洲最大成人中文| 欧美成狂野欧美在线观看| 午夜福利18| 精品久久久久久久久久久久久| 国产av不卡久久| 老司机深夜福利视频在线观看| 两性夫妻黄色片| 欧美日本亚洲视频在线播放| 亚洲天堂国产精品一区在线| 偷拍熟女少妇极品色| 变态另类成人亚洲欧美熟女| 亚洲人成伊人成综合网2020| 在线永久观看黄色视频| 中文字幕av在线有码专区| 中国美女看黄片| 伊人久久大香线蕉亚洲五| 亚洲av电影不卡..在线观看| 成年女人永久免费观看视频| 国产毛片a区久久久久| av女优亚洲男人天堂 | 九色国产91popny在线| 噜噜噜噜噜久久久久久91| 在线观看免费视频日本深夜| 狂野欧美白嫩少妇大欣赏| 最近在线观看免费完整版| 啦啦啦免费观看视频1| 精品久久久久久久久久免费视频| 噜噜噜噜噜久久久久久91| 国产亚洲av高清不卡| 日本黄色片子视频| 欧美黑人欧美精品刺激| www日本在线高清视频| 午夜精品久久久久久毛片777| 国产精品久久久av美女十八| 国产探花在线观看一区二区| 国产成人精品久久二区二区91| 我的老师免费观看完整版| 亚洲avbb在线观看| 久久精品综合一区二区三区| 黑人巨大精品欧美一区二区mp4| 国产视频内射| 久久精品国产清高在天天线| 亚洲av片天天在线观看| 18美女黄网站色大片免费观看| 嫩草影视91久久| 欧美大码av| 免费看美女性在线毛片视频| 国产极品精品免费视频能看的| 国产亚洲av高清不卡| 在线看三级毛片| 99热只有精品国产| 久久久久国产精品人妻aⅴ院| 最近在线观看免费完整版| 最新中文字幕久久久久 | 1024香蕉在线观看| 欧美乱色亚洲激情| 别揉我奶头~嗯~啊~动态视频| 国产高清激情床上av| 在线国产一区二区在线| 久久久久国内视频| 村上凉子中文字幕在线| 怎么达到女性高潮| 中亚洲国语对白在线视频| 婷婷精品国产亚洲av在线| 最新美女视频免费是黄的| 露出奶头的视频| 亚洲 欧美 日韩 在线 免费| 色av中文字幕| 亚洲中文av在线| 亚洲成人免费电影在线观看| 欧美中文日本在线观看视频| 床上黄色一级片| 国产精品亚洲一级av第二区| e午夜精品久久久久久久| 日本精品一区二区三区蜜桃| 色老头精品视频在线观看| 午夜激情福利司机影院| 欧美黄色片欧美黄色片| 国产精品99久久久久久久久| 可以在线观看的亚洲视频| 最新中文字幕久久久久 | 99在线人妻在线中文字幕| 黄色日韩在线| 桃色一区二区三区在线观看| 久久精品影院6| 黄色成人免费大全| 日本黄色片子视频| 日韩三级视频一区二区三区|