基于迁移学习的旋转机械故障诊断方法研究学习笔记

现在大一点的神经网络模型也要求数据量的足够大，但是对于小样本的数据，有一些神经网络模型也能够处理的很好
在这里插入图片描述
2.
这是现在神经网络也要求的数据最好能够独立同分布，所以最好在数据output时对数据进行BN或者其他方法的数据处理
在这里插入图片描述
3.
这可能是传统机器学习方法的不足，可以通过现在的神经网络的方法弥补
在这里插入图片描述
4.
我看裴师兄的文章，他进行对比的网络模型好像都没有使用transformer，所以问我可以去查找那些没有使用transformer方法的故障检测数据集。
5.
解决小样本数据的一种方法
在这里插入图片描述
6.
在这里插入图片描述
7.
在这里插入图片描述
8.
在这里插入图片描述
9.
在这里插入图片描述
10.
在这里插入图片描述
13.
在这里插入图片描述
14.解决训练样本不足和类别不平衡的问题
在这里插入图片描述

二、故障诊断的现状

在这里插入图片描述
2.
那怎样判断两个域之间的数据之间的差异大小呢？之前有人提到过方法去判断。
在这里插入图片描述

# 迁移学习 # 学习 # transformer
Logo
天工造物局

北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台

更多推荐

graphify 视频音视频转写全流程解析：从 detect 结果到知识图谱文档的 Step 2.5

graphify 的核心能力是把任意语料（代码、文档、PDF、图片）转化为可查询的知识图谱，而视频与音频文件无法被直接阅读，必须先把它们转写成文本。本文围绕 `graphify` 运行手册中的转写参考文档 [transcribe.md](https://link.gitcode.com/i/d3285781588e0f1b84886dfdbc4fe7f6)，完整讲解 "Step 2.5 - Tra

avatar 天工造物局

ML-For-Beginners 终章：经典机器学习在金融、医疗、零售等八大行业中的真实落地场景

本篇技术指南基于开源课程仓库 ML-For-Beginners 的收尾课程《Postscript: Machine learning in the real world》（对应仓库目录 [9-Real-World/1-Applications](https://link.gitcode.com/i/6b23002df80861c20abf34d7db63ef41)）编写。该课此前 11 周的教学带

avatar 天工造物局

graphify 知识图谱查询实战：query / path / explain 与可审计的答案闭环

本指南以 graphify 的 Trae 版查询技能参考（[graphify/skills/trae/references/query.md](https://link.gitcode.com/i/72a7875d46ec6d3706d31791f3cdcbe0)）为主体，系统讲解如何针对**已构建好的知识图谱**执行三类查询：语义相关节点遍历（query）、两概念间最短路径（path）、单节点关

avatar 天工造物局