报告详情
Research on Rolling Bearing Fault Diagnosis Based on Distributed Fuzzy Broad Learning System under Imbalanced Data
编号：20
访问权限：仅限参会人
更新：2024-10-23 10:40:54
浏览：216次
口头报告
报告开始：2024年11月02日 09:50（Asia/Shanghai）
报告时间：20min
所在会场：[P1] Parallel Session 1 [P1-2] Parallel Session 1（November 2 AM）
暂无文件
摘要
广义学习系统 （BLS） 作为一种新颖的快速有效的智能算法，在数据分类领域得到了广泛的应用。然而，真实数据往往是不平衡的，这使得 BLS 在处理不平衡数据时性能有限，无法获得良好的分类结果。有鉴于此，该文提出了一种基于不平衡数据下的分布式模糊广泛学习系统（DFBLS）的方法。该模型为每个训练点分配一个模糊从属值，减少了不平衡样本对模型的影响，DFBLS 并行执行模糊函数，从而提高了计算效率和处理速度。此外，DFBLS 通过映射特征和增强特征来学习输入数据中的特征，解决了模糊化导致数据样本丢失或混淆的不足。最后，通过两个滚动轴承实验数据集进行了验证，结果表明，所提方法在不同指标上均表现出优异的性能，为不平衡数据故障诊断提供了有效的解决方案。
关键词
Broad Learning System (BLS); Distributed Fuzzy Broad Learning System; fuzzy function; fault diagnosis
报告人
LiuHaoran
Mr Anhui University of Technology稿件作者
全部评论
重要日期
-
会议日期
10月31日
2024
至11月03日
2024
-
09月30日 2024
初稿截稿日期
-
11月12日 2024
注册截止日期
主办单位
Anhui University
Xi’an Jiaotong University
Harbin Institute of Technology
IEEE Instrumentation & Measurement Society
Xi’an Jiaotong University
Harbin Institute of Technology
IEEE Instrumentation & Measurement Society
联系方式
- Mrs. icsmd
- ic******@163.com
发表评论