摘要：现有无监督的轴承跨域故障诊断研究往往采用充足的试验台数据构建源域,且难以兼顾领域间的边缘分布和条件分布对齐,此外在域适配过程中全体源域样本被赋予相同的重要性。针对以上挑战,提出了一种仿真数据驱动的改进无监督域适应轴承故障诊断新方法。采用仿真所得的故障信息丰富,标签数据充足的轴承故障数据构建源域,降低对试验台资源的依赖。设计了一种嵌入联合最大均值差异的改进损失函数,在无监督场景下实现了不同域间边缘分布和条件分布的同时对齐。开发了一种源域样本权值分配机制,通过领域预测误差衡量源域样本与目标域样本的相似性从而自适应地分配其权值以抑制负迁移。使用两组试验台数据作为目标域对所提方法进行验证,结果表明:所提方法能够充分适配仿真域和实验域的深层特征分布,提高无监督跨域场景下的故障诊断精度。

摘要：针对复杂空间信息网络系统仿真建模研究的问题,提出了一种基于仿真数据驱动的空间信息网络建模方法,设计了空间信息网络性能指标的深度自编码网络和随机森林回归的混合预测分析模型。针对空间信息网络性能指标维度高,样本分布宽的特点,利用深度学习自编码网络进行空间信息网络性能指标编码解码网络的构建,并结合随机森林回归建立空间信息网网络设计参数到性能指标的关系模型。最后通过案例分析,表明该混合模型既能直接预测空间信息网络性能指标,又可以对网络设计参数进行灵敏度分析。