他，Cheng;刘长春;吴涛;徐，英;吴，杨;陈彤 基于改进极值学习机的医用滚动轴承故障预测。 （英语） Zbl 07442714号 J.库姆。最佳方案。 42，编号4，700-721（2021）. 小结：本文研究的问题是：输入权重的随机选择和极值学习机的隐含层偏差导致算法的医用滚动轴承故障预测结果不稳定。为了保证算法的准确性，需要更多的隐含层节点，为此，提出了集成误差最小化极端学习机（EEM-ELM）。EEM-ELM使用在不同训练集上训练的各种误差限制学习机（EM-ELM）作为成员分类器。还使用了成员分类器因子，包括预测熵，以验证集合的准确性以及作为权重的平均值和输出权重。所有这些通过加权线性组合形成一个复合分类器。该方法巧妙地解决了隐层神经元数目的优化选择问题。将VMD分解故障信号得到的各IMF分量的归一化能量和置换熵作为特征向量，并将改进的EEM-ELM算法用作轴承故障分类算法的故障诊断模型。将故障诊断模型应用于轴承故障信号的分类。对实验数据的分析表明，本文提出的EEM-ELM算法的分类结果优于ELM算法。同时，由于适当的加权处理，准确率高于每个成员分类器。除此之外，由于EEM-ELM算法集成了误差最小化极限学习机，因此EEM-ELM算法不需要选择最优的隐藏层节点数。EEM-ELM算法只需要指定每个基于EM ELM的分类器可以容忍错误分类的最大训练集样本数，即可实现高稳定性和高精度分类。 理学硕士： 68T05型 人工智能中的学习和自适应系统 62H30型 分类和区分；聚类分析（统计方面） 62第20页 统计学在经济学中的应用 第60页 统计学在工程和工业中的应用；控制图 90B25型 运筹学中的可靠性、可用性、维护和检查 关键词：医用滚动轴承;故障预测;极限学习机 PDF格式BibTeX公司 XML格式引用 \textit{C.He}等人，J.Comb。最佳方案。42，编号4，700--721（2021；Zbl 07442714） 全文： 内政部 参考文献： [1] 柴，X。；Li，W-H，有界批处理机器上的在线调度，以最小化最大加权完成时间，中国运营研究院学报，6455-465（2018）·Zbl 1413.90095号 ·文件编号：10.1007/s40305-017-0179-x [2] Chen，T。；他，C。；Wu，Y.，生命支持医疗器械的预后和健康管理，J Comb Optim，37，1，1-2（2017）·Zbl 1347.00077号 ·doi:10.1007/s10878-016-0042-8 [3] 聪C（2013）基于小波理论的滚动轴承故障诊断方法研究。中国电子科技大学 [4] Dinkel，H.，Elm-真核生物线性基序数据库，核酸研究，40，9，D242-D251（2012）·数字对象标识代码：10.1093/nar/gkr1064 [5] Dragomiretskiy，K。；Zosso，D.，变分模式分解，IEEE Trans Signal Process，62，3，531-544（2014）·Zbl 1394.94163号 ·doi:10.1109/TSP.2013.2288675 [6] Jing Fan，XL，单台机器上具有周期工作时间的医院供应链调度问题，医疗保健组合优化专题，J Comb Optim，30，4，892-905（2015）·Zbl 1327.90081号 ·doi:10.1007/s10878-015-9857-y [7] 景文，X。；Z.Yunxuan。；Ziqi，Y.，基于改进的sfla和elm网络的早期轴承故障诊断，Trans-Can Soc Mech Eng，42（2），187-193（2018） [8] 林，QP；冯，GR；Huang，GB，Error minimized extreme learning machine with growth of hidden nodes and incremental learning，IEEE Trans Neural Netw，20，8，1352-7（2009年）·doi:10.1109/TNN.2009.2024147 [9] 米尔贾利利，S。；Mirjalili，《灰狼》优化器，Adv Eng Softw，69，3，46-61（2014）·doi:10.1016/j.advengsoft.2013.12.007 [10] 公园，悉尼；Lee，JJ，在差异进化中使用贝塔分布的基于随机对立的学习，IEEE Trans-Cybern，46，10，2184-2194（2016）·doi:10.1109/TCYB.2015.2469722 [11] 宋，SJ；Huang，G.等人。；Huang，GB，《极端学习机器的趋势：综述》，Neural Netw，61，C，32-48（2015）·Zbl 1325.68190号 [12] Tang，J。；邓，C。；Huang，GB，多层感知器的极端学习机，IEEE Trans Neural Netw学习系统，27，4，809-821（2017）·doi:10.1109/TNNLS.2015.24995 [13] Vachtsevanos G、Lewis F、Roemer M等人（2007）工程系统的智能故障诊断和预测 [14] Wang，H。；Liu，N.，基于集成的极端学习机，IEEE Signal Process Lett，17，8，754-757（2010）·doi:10.1109/LSP.2010.2053356 [15] Wen J，Gao H，Li S等（2015）利用同步压缩小波变换和SVM进行滚珠轴承故障诊断。In：预测与系统健康管理会议。电气与电子工程师协会 [16] Xu，H。；吴，JS；Zhang，YW，Elm神经网络及其在机械故障预测中的应用，Chin Coal，185-89（2014） [17] 尹，YQ；王，DJ；Liu，F.，面对外科医生的疲劳和固定的下班时间，优先安排手术，医疗保健组合优化特刊，J Comb Optim，30，4，967-981（2015）·Zbl 1327.90076号 ·doi:10.1007/s10878-015-9846-1 [18] Yin Y，Zhang H，Zhang-S（2013）基于EM-elm和岭回归的改进elm算法。参加：智能科学与大数据工程国际会议。柏林-海德堡斯普林格 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。