典型文献
基于TTUR的C‑DCGAN机械故障诊断模型稳定训练方法
文献摘要：
针对条件深度卷积生成式对抗网络(conditional deep convolutional generative adversarial network,简称C-DCGAN)在训练过程中出现的不稳定性问题,提出具有随机梯度下降的双时间尺度更新规则(two time-scale update rule,简称TTUR)用于C-DCGAN机械故障诊断模型训练中,在判别器和生成器具有单独学习速率的情况下提高模型的稳定性.首先,给出了TTUR在C-DCGAN模型中收敛性证明;其次,在西储大学轴承数据集(Case Western Reserve University,简称CWUR)和实验室行星齿轮箱数据集上验证其有效性;最后,引入Jensen-Shannon散度(Jensen-Shannon divergence,简称JSD)指标评估模型捕获到的真实数据和生成数据之间的相似度.实验结果表明,TTUR提高了C-DCGAN的学习能力,优于传统的C-DCGAN.
文献关键词：
条件深度卷积生成式对抗网络;稳定训练方法;双时间尺度更新规则;JSD散度;机械故障诊断
中图分类号：
作者姓名：
罗佳;黄晋英;马健程
作者机构：
中北大学机械工程学院 太原,030051
文献出处：
引用格式：
[1]罗佳;黄晋英;马健程-.基于TTUR的C‑DCGAN机械故障诊断模型稳定训练方法)[J].振动、测试与诊断,2022(04):733-740
A类：
TTUR,稳定训练方法,条件深度卷积生成式对抗网络,双时间尺度更新规则,CWUR,JSD
B类：
DCGAN,机械故障诊断,故障诊断模型,conditional,deep,convolutional,generative,adversarial,network,训练过程,随机梯度下降,scale,update,rule,模型训练,判别器,生成器,学习速率,收敛性,轴承数据,Case,Reserve,University,行星齿轮箱,Jensen,Shannon,散度,divergence,指标评估,获到,真实数据
AB值：
0.245931
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
