典型文献
基于CNN和PSO-SVM组合模型的列控车载设备故障诊断
文献摘要：
快速准确地定位列控车载设备故障是保证列车可靠运行的重要因素.本文以车载设备故障追踪表中的文本数据为样本,设计基于卷积神经网络(CNN)与粒子群优化-支持向量机(PSO-SVM)相结合的车载设备故障诊断模型.基于故障文本数据具有高维度、高稀疏的特点,利用卷积神经网络对其实现特征提取.为了降低故障样本数据类别不平衡对分类精度的影响,采用粒子群优化的支持向量机算法对不均衡文本数据进行处理.用PSO-SVM替代CNN全连接分类部分,并对所提取特征进行精确分类,实现车载设备故障智能诊断.依据某铁路局所记录的车载设备故障文本数据进行实验分析并与其它方法对比,实验结果表明,该模型可使各评价指标得到明显提升,可以作为车载设备故障诊断的有效模型.
文献关键词：
车载设备;故障诊断;卷积神经网络(CNN);不平衡文本数据;粒子群优化-支持向量机(PSO-SVM)
中图分类号：
作者姓名：
陆人杰;林海香;许丽;卢冉;赵正祥;白万胜
作者机构：
兰州交通大学自动化与电气工程学院,甘肃兰州730070
文献出处：
引用格式：
[1]陆人杰;林海香;许丽;卢冉;赵正祥;白万胜-.基于CNN和PSO-SVM组合模型的列控车载设备故障诊断)[J].测试科学与仪器,2022(04):430-438
A类：
不平衡文本数据
B类：
PSO,组合模型,列控车载设备,设备故障诊断,快速准确,位列,列车,可靠运行,故障追踪,粒子群优化,故障诊断模型,故障文本数据,高维度,数据类别,类别不平衡,分类精度,支持向量机算法,全连接,提取特征,精确分类,故障智能诊断,铁路局,局所,方法对比
AB值：
0.224349
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。
