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
- BiDense: Binarization for Dense Prediction [62.70804353158387]
BiDenseは、効率よく正確な密度予測タスクのために設計された一般化されたバイナリニューラルネットワーク(BNN)である。
BiDenseは2つの重要なテクニックを取り入れている: 分散適応バイナリー (DAB) とチャネル適応完全精度バイパス (CFB) である。
論文 参考訳(メタデータ) (2024-11-15T16:46:04Z) - RLEEGNet: Integrating Brain-Computer Interfaces with Adaptive AI for
Intuitive Responsiveness and High-Accuracy Motor Imagery Classification [0.0]
本稿では,Deep Q-Networks (DQN) を用いた強化学習を分類タスクに活用するフレームワークを提案する。
本稿では,OVR(One-Versus-The-Rest)方式で,マルチクラス運動画像(MI)分類のための前処理手法を提案する。
DQNと1D-CNN-LSTMアーキテクチャの統合は意思決定プロセスをリアルタイムで最適化する。
論文 参考訳(メタデータ) (2024-02-09T02:03:13Z) - A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive
Coding Networks [65.34977803841007]
予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。
シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
論文 参考訳(メタデータ) (2022-11-16T00:11:04Z) - 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) - 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) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳(メタデータ) (2021-02-25T14:24:49Z) - 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) - Evolving Neural Networks through a Reverse Encoding Tree [9.235550900581764]
本稿では,拡張性のあるニューラルネットワークを効率的に進化させる手法として,Reverse HANG Tree (RET) と呼ばれるトポロジカルエッジコーディングを取り入れた手法を提案する。
RETを用いた2種類のアプローチ - Binary search encoding (Bi-NEAT) のNEATとGolden-Section search encoding (GS-NEAT) のNEAT - は、連続学習環境のベンチマークにおける問題を解決するために設計された。
論文 参考訳(メタデータ) (2020-02-03T02:29:51Z)
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。