論文の概要: Transfer Learning based Evolutionary Deep Neural Network for Intelligent Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2109.13479v1
• Date: Tue, 28 Sep 2021 04:31:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-30 01:07:36.480850
• Title: Transfer Learning based Evolutionary Deep Neural Network for Intelligent Fault Diagnosis
• Title（参考訳）: 伝達学習に基づく知的故障診断のための進化的深層ニューラルネットワーク
• Authors: Arun K. Sharma, Nishchal K. Verma
• Abstract要約: 障害診断のためのディープニューラルネットワーク(DNN)の性能は、ネットワークアーキテクチャに大きく依存している。 本稿では、与えられたデータセットに対して最適なDNNアーキテクチャを求める進化的Net2Net変換(EvoNet2Net)を提案する。 我々は,ケース・ウェスタン・リザーブ大学データセットとパダーボーン大学データセットを用いて,提案フレームワークの有効性を実証した。
• 参考スコア（独自算出の注目度）: 11.427019313283997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The performance of a deep neural network (DNN) for fault diagnosis is very much dependent on the network architecture. Also, the diagnostic performance is reduced if the model trained on a laboratory case machine is used on a test dataset from an industrial machine running under variable operating conditions. Thus there are two challenges for the intelligent fault diagnosis of industrial machines: (i) selection of suitable DNN architecture and (ii) domain adaptation for the change in operating conditions. Therefore, we propose an evolutionary Net2Net transformation (EvoNet2Net) that finds the best suitable DNN architecture for the given dataset. Nondominated sorting genetic algorithm II has been used to optimize the depth and width of the DNN architecture. We have formulated a transfer learning-based fitness evaluation scheme for faster evolution. It uses the concept of domain adaptation for quick learning of the data pattern in the target domain. Also, we have introduced a hybrid crossover technique for optimization of the depth and width of the deep neural network encoded in a chromosome. We have used the Case Western Reserve University dataset and Paderborn university dataset to demonstrate the effectiveness of the proposed framework for the selection of the best suitable architecture capable of excellent diagnostic performance, classification accuracy almost up to 100\%.
• Abstract（参考訳）: 障害診断のためのディープニューラルネットワーク(DNN)の性能はネットワークアーキテクチャに大きく依存している。 また、試験ケースマシンで訓練されたモデルを、可変動作条件下で動作する工業機からテストデータセットに使用すれば、診断性能が低下する。 したがって,産業機械の知的障害診断には2つの課題がある。 (i)適切なdnnアーキテクチャの選択及び (ii)動作条件の変更に対するドメイン適応。 そこで我々は,与えられたデータセットに対して最適なDNNアーキテクチャを求める進化的Net2Net変換(EvoNet2Net)を提案する。 非支配的なソート遺伝的アルゴリズムIIは、DNNアーキテクチャの深さと幅を最適化するために使用されている。 我々は、より高速な進化のための移動学習に基づくフィットネス評価スキームを定式化した。 ターゲットドメイン内のデータパターンをすばやく学習するために、ドメイン適応の概念を使用する。 また、染色体にコードされた深層ニューラルネットワークの深さと幅を最適化するためのハイブリッドクロスオーバー技術も導入した。 我々は,ケース・ウェスタン・リザーブ大学データセットとパダーボーン大学データセットを用いて,診断性能,分類精度をほぼ100%に向上できる最適なアーキテクチャ選択のためのフレームワークの有効性を実証した。

関連論文リスト

• Evolving Deep Neural Networks for Collaborative Filtering [3.302151868255641]
  コラボレーティブ・フィルタリング(CF)は、ユーザとイテムの相互作用をモデル化するためのレコメンデータシステムで広く使われている。 ディープニューラルネットワーク(DNN)の設計プロセスにおける遺伝的アルゴリズムの導入
  論文  参考訳（メタデータ） (2021-11-15T13:57:31Z)
• Guided Sampling-based Evolutionary Deep Neural Network for Intelligent Fault Diagnosis [8.92307560991779]
  我々は、モデルアーキテクチャの進化を導くためにポリシー勾配を利用する進化的ディープニューラルネットワークの新しいフレームワークを提案してきた。 提案フレームワークの有効性を3つのデータセットで検証した。
  論文  参考訳（メタデータ） (2021-11-12T18:59:45Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Non-Gradient Manifold Neural Network [79.44066256794187]
  ディープニューラルネットワーク(DNN)は通常、勾配降下による最適化に数千のイテレーションを要します。 非次最適化に基づく新しい多様体ニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-15T06:39:13Z)
• Implementing a foveal-pit inspired filter in a Spiking Convolutional Neural Network: a preliminary study [0.0]
  我々は,網膜卵管刺激によるガウスフィルタとランク順符号化の差異を取り入れたスポーキング畳み込みニューラルネットワーク(SCNN)を提示した。 このモデルは、Nengoライブラリーで実装されているように、スパイキングニューロンで動作するように適応されたバックプロパゲーションアルゴリズムの変種を用いて訓練される。 ネットワークは最大90%の精度で達成され、損失はクロスエントロピー関数を用いて計算される。
  論文  参考訳（メタデータ） (2021-05-29T15:28:30Z)
• Genetic Algorithm based hyper-parameters optimization for transfer Convolutional Neural Network [10.144772866486914]
  畳み込みニューラルネットワークの設計において,トランスファー層とトレーニング可能な層の決定が重要な課題である。 本稿では,トランスファーモデルのトレーニング可能な層選択に遺伝的アルゴリズムを適用した。 このシステムは、猫と犬のデータセットの分類で97%の精度で収束します。
  論文  参考訳（メタデータ） (2021-02-26T07:38:01Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)
• Binarizing MobileNet via Evolution-based Searching [66.94247681870125]
  そこで本稿では,MobileNet をバイナライズする際の構築と訓練を容易にするための進化的探索手法を提案する。 ワンショットアーキテクチャ検索フレームワークに着想を得て、グループ畳み込みのアイデアを操り、効率的な1ビット畳み込みニューラルネットワーク(CNN)を設計する。 我々の目標は、グループ畳み込みの最良の候補を探索することで、小さなが効率的なバイナリニューラルアーキテクチャを考案することである。
  論文  参考訳（メタデータ） (2020-05-13T13:25:51Z)
• Neural Architecture Search For Fault Diagnosis [6.226564415963648]
  ディープラーニングはビッグデータ処理に適しており、エンドツーエンドの故障診断システムを実現する強力な特徴抽出機能を備えている。 ニューラルアーキテクチャサーチ(NAS)は急速に発展しており、ディープラーニングの次の方向性の1つになりつつある。 本稿では,補強学習を用いたNAS法による断層診断手法を提案する。
  論文  参考訳（メタデータ） (2020-02-19T04:03:51Z)
• Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
  自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。 本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。 その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
  論文  参考訳（メタデータ） (2020-02-04T20:00:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。