已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Bearing fault diagnosis method based on improved meta-ResNet and sample weighting under noise label

加权 样品(材料) 断层(地质) 噪音(视频) 计算机科学 模式识别(心理学) 方位(导航) 人工智能 统计 数学 声学 地质学 色谱法 化学 地震学 物理 图像(数学)
作者
Suchao Xie,Jiacheng Wang,Yaxin Li,Lingzhi Yang
出处
期刊:Structural Health Monitoring-an International Journal [SAGE]
标识
DOI:10.1177/14759217241277243
摘要

Traditional methods often require the presetting of a weight function based on the dataset to address the issue of noisy labels. However, these methods often encounter challenges related to poor generalization capability. To overcome this obstacle, we propose an improved meta-residual network and sample weighting (SWMeta-IResNet) approach for bearing fault diagnosis. This method leverages singular value decomposition (SVD) matrix decomposition technology to design a global SVD pooling layer. By replacing the max-pooling layer in the original ResNet, this layer effectively reduces the parameter count and enhances the correspondence between feature maps and categories. This method trains the network through alternating input of a small number of unbiased, cleanly labeled samples (meta-samples) and noisy labeled samples. By automatically learning the weight function mapping relationship between the training loss and sample weight from the data, it adaptively learns weights from the meta-samples to improve accuracy. Experimental results on three datasets demonstrate that, even with a noise label rate of 40%, SWMeta-IResNet achieves significant improvements in average accuracy compared to the original ResNet model. Specifically, it enhances the average accuracy by 14.5%, 11.94%, and 6.38%, respectively, yielding accuracy rates of 86.48%, 82.23%, and 94.35%. Moreover, in the bearing failure task with noisy labels, this method exhibits substantial improvements in accuracy and showcases excellent generalization performance across different datasets. As a result, SWMeta-IResNet proves to be highly applicable and effective in addressing the challenges posed by noisy labels in diverse scenarios.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
liuliu发布了新的文献求助10
刚刚
Hello应助熊孩子小龙采纳,获得20
1秒前
2秒前
2秒前
caimiemie发布了新的文献求助10
4秒前
4秒前
ff完成签到 ,获得积分10
4秒前
简单山水发布了新的文献求助10
5秒前
Hello应助巫幻香采纳,获得10
6秒前
爆米花应助Wein采纳,获得10
6秒前
十三完成签到 ,获得积分10
6秒前
打打应助白曼冬采纳,获得30
6秒前
动听靖完成签到 ,获得积分10
8秒前
Eliauk完成签到,获得积分10
9秒前
Momo发布了新的文献求助10
9秒前
12秒前
布丁儿完成签到 ,获得积分10
13秒前
简单山水完成签到,获得积分10
13秒前
欣喜忻完成签到 ,获得积分10
14秒前
duomanyu完成签到,获得积分10
15秒前
莉莉发布了新的文献求助10
16秒前
Wein完成签到,获得积分10
18秒前
19秒前
20秒前
21秒前
Wein发布了新的文献求助10
23秒前
121314wld发布了新的文献求助10
27秒前
27秒前
29秒前
共享精神应助121314wld采纳,获得10
31秒前
白曼冬发布了新的文献求助30
32秒前
33秒前
上官若男应助诸觅双采纳,获得10
35秒前
121314wld完成签到,获得积分10
37秒前
yuaner发布了新的文献求助10
38秒前
一树面包人完成签到 ,获得积分10
39秒前
39秒前
白曼冬完成签到,获得积分10
40秒前
w5566完成签到 ,获得积分10
42秒前
从容甜瓜完成签到 ,获得积分10
42秒前
高分求助中
Becoming: An Introduction to Jung's Concept of Individuation 600
Ore genesis in the Zambian Copperbelt with particular reference to the northern sector of the Chambishi basin 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
Die Gottesanbeterin: Mantis religiosa: 656 400
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3164682
求助须知:如何正确求助?哪些是违规求助? 2815604
关于积分的说明 7909897
捐赠科研通 2475236
什么是DOI,文献DOI怎么找? 1318049
科研通“疑难数据库(出版商)”最低求助积分说明 631984
版权声明 602282