{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,6,15]]，“日期-时间”：“2024-06-15T05:18:10Z”，“时间戳”：1718428690176}，“引用-计数”：42，“发布者”：“爱思唯尔BV”，“许可证”：[{“开始”：{-date-parts”：[2022,5,1]]，”日期-时间“：”2022-05-01T00:00:00 0Z“，”时间戳“：1651363200000}，”内容-版本“：“tdm”，“延迟天数”：0，“URL”：“https://www.elsevier.com/tdm\/userlicense\/1.0\/”｝，｛“开始”：｛“日期部分”：[[2022,5,1]，“日期时间”：“2022-05-01T00:00:00Z”，“时间戳”：1651363200000｝，“内容版本”：“stm-asf”，“延迟天数”：0，“URL”：“https://doi.org/10.15223\/policy-017”｝，｛“开始”：｛“日期部分“：[[2022,5,1]]，”日期-时间“：”2022-05-01T00:00:00Z“，“timestamp”：1651363200000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-037”}，{“start”：{“date-parts”：[2022,5,1]]，“date-time”：“2022-05-01T00:00:00Z”，“timetamp”：1.651363200000{，“content-version“：”stm-asf“，“dellay-in-days”：0 \\/doi.org\/10.15223\/policy-012“}，{“start”：{“date-parts”：[[2022,5,1]]，“date-time”：“2022-05-01T00:00:00Z”，“timestamp”：1651363200000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-029”}，{“start”：{“date-parts”：[2022,5,1]]，“date-time”:“2022-005-01T00:00”，“temptime”：16513.3200000neneneep，“content-version”：“st m-asf“，”delay-in-days“：0，”URL“：”https:\/\/doi.org\/10.15223\/policy-004“}]，“资助者”：[{“DOI”：“10.13039\/501100001809”，“名称”：“中国国家自然科学基金”，“DOI-asserted-by”：“publisher”}]，“内容域”：{“域”：[“elsevier.com”，“sciencedirect.com”]，“交叉标记限制”：true}，“短容器-title”：[（Neurocomputing）]，“published-print”：j.neucom.2021.11.005“，“type”：“journal-article”，“created”：{“date-parts”：[[2021,11,25]]，“date-time”：“2021-11-25T07:15:07Z”，“timestamp”：1637824507000}，“page”：”228-242“，”update-policy“：”http://\/dx.doi.org\/10.10016\/elsevier_cm_policy：[“基于多层特征融合的跨域故障诊断联合自适应传递学习网络”]，“前缀”：“10.1016”，“卷”：“487”，“作者”：[{“给定”：“宜民”，“家族”：“江”，“序列”：“第一”，“隶属”：[]}，{“已知”：“汤斌”，“家庭”：“夏”，“顺序”：“附加”，“从属”：[]}，“给定”:“董”，“家人”：“王”，“sequence”：“additional”，“affiliation”：[]}，{“given”：“Kaigan”，“family”：“Zhang”，“sequence”：“addressive”，“filiation“：[]{”given“：”Lifeng“，”family“：”Xi“，”sequence“：”additional“，”affiliance“：[]}]，“member”：“78”，“reference”：[{“key”：”10.1016\/j.neucom.2021.1005_b0005“，”doi-asserted-by“”：”crossref“，”first page“051011”“，”doi“：”10.1115\/1.4043255“，”文章标题“：“用于大规模定制的传感器驱动预测和机会主义维护的在线分析框架”，“卷”：“141”，“作者”：“夏”，“年份”：“2019”，“期刊标题”：“J.Manuf.Sci.Eng.Trans.ASME”}，{“键”：“10.1016\/J.neucom.2021.11.005_b0010”，“doi-asserted-by”：“crossref”，《首页》：“255”，”doi“10.1016 \/J.ress.2018.06.021”，“article-title”：“先进制造范式预测和健康管理的最新进展”，“卷”：“178”，“作者”：“夏”，“年份”：“2018”，“期刊标题”：“Reliab.Eng.Syst.Saf.”}，{“key”：“10.1016\/j.neucom.2021.1005_b0015”，“doi-asserted-by”：“crossref”，《首页》：“106707”，“doi”：“101016\/j.ress.2019.106707》”，“article-title”：“基于比例风险模型的硬故障系统预测维护”，“卷”：“196”，“作者”：“胡”，“年份”：“2020”，“日志标题”：“Reliab.Eng.Syst.Saf.”}，{“键”：“10.1016\/j.neucom.2021.005_b0020”，“doi-asserted-by”：“crossref”，《首页》：“399”，“doi”：“1016\/j.neucom.2012.07.019”，“文章标题”：“基于小波SVM和PSO算法的多故障分类，用于分析滚动轴承的振动信号”，“卷”：“99”，“作者”：“刘”，“年份”：“2013”，“期刊标题”：“神经计算”}，{“关键”：“10.1016\/j.neucom.2021.1005_b0025”，“doi-asserted-by”：“crossref”，“首页”：“619”，“doi”：“101016\/j.neucomm.2017.07.032”，“article-title”：“利用深度学习技术构建的神经网络及其在机器智能故障诊断中的应用”，“volume”：“272”，“author”：“Jia”，“year”：“2018”，“journal-title“：”Neurocomputing“}，{“key”：”10.1016\/j.neucom.2021.1005_b0030“，”doi-asserted-by“：”crossref“，”first page“：”106587“，”doi“：”10.116\/j.ymssp.2019.106587“，“article-title”：“机器学习在机器故障诊断中的应用：综述和路线图”，“volume”：“138”，“author”：“Lei”，“year”：“2020”，“journal-title“：“Mech.Syst.Signal Proc.”}，{“key”：”10.1016\/j.neucom.2021.1005_b0035“，”doi-asserted-by“：”crossref“，”first page“：”447“，”doi“：”10.116\/j.neucom.2018.07.038“，”article-title“：“基于全局-局部边缘Fisher分析特征约简的滚动轴承故障诊断”，“卷”：“315”，“作者”：“Zhao”，“年份”：“2018”，“日志标题”：“神经计算”}，{“关键”：“10.1016\/j.neucom.2021.1005_b0040”，“doi-asserted-by”：“crossref”，“首页”：“643”，“doi”：“101016\/j.neucomm.2015.09.081”，“article-title”：“基于SVM的复杂工业过程故障诊断和过程监测的最新进展”，“卷”：“174”，“作者”：“尹”，年：“2016”，“期刊标题”：“神经计算”}，{“问题”：“2”，“关键”：“10.1016\/j.neucom.2021.1005_b0045”，“doi-asserted-by”：“crossref”，《首页》：“330”，‘doi’：“10.1109\/TIM.2019.2896370”，”文章标题“：“基于卷积神经网络的新型二级分层诊断网络”，“volume”：“69”，“author”：“Wen”，“year”：“2020”，“journal-title”：“IEEE Trans.Instrum.Meas.”}，{“key”：”10.1016\/j.neucom.2021.11.005_b0050“，”doi-asserted-by“：”crossref“，”first page“：”2111“，”doi“10.1016\/j.nucom.2017.10.063”，“article-title“：“使用深信度网络和多模型的复杂系统自适应故障检测新方法：低温推进剂加载系统的案例研究”，“卷”：“275”，“作者”：“任”，“年份”：“2018年”，“期刊标题”：“神经计算”}，{“关键”：“10.1016\/j.neucom.2021.1105_b0055”，”doi-asserted-by“：”crossref“，”first page“：”103182“，“doi”：“10.1016\/j.compind.2019.103182”，“article-title”：“基于卷积双向LSTM的集成框架，具有多个时间窗口，用于剩余使用寿命估算”，“volume”：“115”，“author”：“Xia”，“year”：“2020”，“journal-title“：”Compute.Ind.“}，{“key”：”10.1016\/j.neucom.2011.11.005_b0060“，”doi-asserted-by“：”crossref“，”first page“：“107386”、“DOI”：“10.1016\/j.ymssp.2020.107386”，“article-title”：“使用新型混合深度神经网络对盾构掘进机刀盘扭矩进行精确预测”，“volume”：“151”，“author”：“Qin”，“year”：“2021”，“journal-title“：“Mech.Syst.Signal Proc.”}，{“key”：：“11”，“DOI”：“10.1016\/j.neucom.2016.12.038”，“article-title”：“深度神经网络体系结构及其应用综述”，“volume”：“234”，“author”：“Liu”，“year”：“2017”，“journal-title“：”Neurocomputing“}，{“key”：”10.1016\/j.nucom.2021.1005_b0070“，“series-title”：”IEEE计算机视觉与模式识别会议论文集“，“首页”：“1”，“文章标题”：“卷积深入”，“作者”：“塞格迪”，“年份”：“2015”}，{“关键词”：“10.1016\/j.neucom.2021.11.005_b0075”，“doi-asserted-by”：“crossref”，“首版”：“27”，“doi”：“101016\/j.neucomm.2015.09.116”“，”年份“：”2016年“，“journal-title”：“Neurocomputing”}，{“key”：“10.1016\/j.neucom.2021.1105_b0080”，“doi-asserted-by”：“crossref”，“首页”：“24”，“doi”：“101016\/j.neucomm.2020.04.073”，“文章标题”：“深度多尺度卷积传递学习网络：可变工况和域下滚动轴承智能故障诊断的新方法”，“卷”：“407”，“作者”：“赵”，“年份”：“2020”，“期刊标题”：“神经计算”}，{“问题”：“9”，“关键”：“10.1016\/j.neucom.2021.101.05_b0085”，“doi-asserted-by”：“crossref”，“首页”：“7316”，“DOI”：“10.1109 \/TIE.2018.2877090”，“article-title”：“深度卷积传递学习网络：具有未标记数据的机器智能故障诊断的新方法”，“volume”：“66”，“author”：“Guo”，“year”：“2019”，“journal-title“IEEE Trans.Ind.Electron.”}，{“key”：”10.1016\/j.neucom.2021.101.05_b0090“，”DOI-asserted-by“：“crossref”，“first page”：“108500”，“DOI”：“10.1016\/j.measurement.2020.108500”，“doi-asserted-by”：“crossref”，“first page”：“1345”，“doi”：“10.1109\/TKDE.2009.191”，“article-title”：“迁移学习调查”，“volume”：”22“，“author”：“Pan”，”year“：”2010“，”journal-title“：”IEEE Trans.Knowl.Data Eng.“}，{”key“：”10.1016\/j.neucom.2021.1005_b0100“，”doi-assert-by“：”crossref.“，”first page:“425”“，”doi“：”10.3390\/s17020425“，“文章标题”：“一种新的深度学习故障诊断模型，对原始振动信号具有良好的抗噪和域自适应能力”，“卷”：“17”，“作者”：“张”，“年”：“2017”，“期刊标题”：“传感器”}，｛“问题”：“1”，“关键”：“10.1016\/j.neucom.202.11.005_b0105”，“doi断言”：“crossref”，“首页”：“339”，“doi”：“10.1109\/TII.2019.2917233”，“文章标题”：“使用可转移卷积神经网络的旋转机械智能故障诊断”，“卷”：“16”，“作者”：“Chen”，“年份”：“2020”，“期刊标题”：“IEEE Trans.Ind.Inform.”}，｛“问题”：“4”，“密钥”：“10.1016\/j.neucom.202.11.005_b0110”，“doi断言者”：“crossref”，“首页”：“2446”，“doi”：“10.1109\/TII.2018.2864759”，“article-title”：“利用深度传递学习进行高精度机器故障诊断”，“volume”：“15”，“author”：“Shao”，“year”：“2019”，《journal-title》：“IEEE Trans.Ind.Inform.”}，{“key”：”10.1016\/j.neucom.2021.005_b0115“，”doi-asserted-by“：”crossref“，”非结构化“X.Li，Y.Hu，M.Li，j。郑，不同类型组件之间的故障诊断：转移学习方法，应用。柔软。计算。86 (2020) 11. 105950.https:\/\/doi.org\/10.1016\/j.asoc.2019.105950.“，”doi“：”10.1016\/j-asoc.2019.1 05950“}，{“问题”：“5”，“关键”：“10.1016\/j.neucom.2021.1005_b0120”，“doi-asserted-by”：“crossref”，“首页”：“1299”，“doi”：“101109\/TMI.2016.2535302”，“article-title”：“医学图像分析的卷积神经网络”：全面训练还是微调？“，”音量“：”35“，“作者”：“Tajbakhsh”，“年份”：“2016年”，“新闻标题”：“IEEE Trans。医学影像学。“}，{”key“：”10.1016\/j.neucom.2021.11.005_b0125“，”doi-asserted-by“：”crossref“，”first page“：“208”，“doi”：“10.1016\/j.ress.2018.11.011”，”article-title“：”使用多尺度特征提取基于深度学习的轴承剩余使用寿命估算“，”volume“：182”，，“author”：“Li”，《年份》：“2019”，“journal-title”：“Reliab.Eng.Syst.Saf.”}，”{“key”：“”10.1016\/j.neucom.2021.101.005_b0130“，”doi-asserted-by“：”crossref“，”first page“：”341“，”doi“：”10.1016\/j.isatra.2019.03.017“，”article-title“：”学习深层卷积神经网络中的可转换特征，用于诊断未知机器状态“，”volume“：“93”，”author“：”Han“，“year”：“2019”，“journal-title”：“ISA Trans。“}，{”key“：”10.1016\/j.neucom.2021.11.005_b0135“，”series-title“：”神经信息处理系统会议记录“，”首页“：”3320“，”article-title“：“深度神经网络中的特征如何可转移？”，“author”：“Yosinski”，“year”：“2014”}，“issue”：“11”，“key”：“10.1016\/j.nucom.2021.101.05_b0140”，“doi-asserted-by”：“”crossref“，”first page“：”8680“，”DOI“：”10.1109\/TIM.2020.2989233“，”article-title“：”机械故障诊断非平衡分类的深度聚焦并行卷积神经网络“，”volume“：“69”，”author“：”Duan“，”year“：”2020“，”journal-title”：“IEEE Trans。仪器。测量。“｝，｛”key“：”10.1016\/j.neucom.202.11.005_b0145“，”系列标题“：”IEEE计算机视觉与模式识别会议论文集“，”首页“：”770“，”文章标题“：”图像识别的深度残差学习“，”作者“：”He“，”年份“：”2016“｝，｛”issue“：”4“，”key“：”10.1016\/j.neucom.202.11.005_b0150“，”doi asserted by“：”crossref“，”第一页“：”98“，”DOI“：”10.1109\/MSP.2013.2252713“，”article-title“：”条件分布的内核嵌入：图形模型中非参数推理的统一内核框架“，”volume“：”30“，”author“：”Song“，”year“：”2013“，”journal-title”：“IEEE Signal Process。Mag.“}，{“key”：“10.1016\/j.neucom.2021.11.005_b0155”，“series-title”：“算法学习理论国际会议论文集”，“首页”：“13”，“文章-标题”：“Hilbert空间嵌入分发”，“作者”：“Smola”，“年份”：“2007”}，}“问题”：“4”，“key“10.1016”：“1011.11.005_b0160”，“doi-asserted-by”：“crossref”，“首页“：”640“，”DOI“：”10.1109\/TPAMI.2016.2572683“，”article-title“：”语义分割的完全卷积网络“，”volume“：”39“，”author“：”Shelhamer“，”year“：”2017“，”journal-title”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”10.1016\/j.neucom.2021.11.005_b0165“，”series-title“：”机器学习国际会议论文集“，”首页“：”2208“，”article-title“：“联合自适应网络的深度转移学习”，“author”：“Long”，“year”：“2017”}，“key”：“10.1016\/j.nucom.2021.1105_b0170”，“series-ttle”：“”《计算机视觉国际会议论文集》，“首页”：“1449”，“article-title”：“细粒度视觉识别的双线性CNN模型”，“author”：“Lin”，“year”：“2015”}，{“key”：“10.1016\/j.neucom.2021.1005_b0175”，“first-page”：“1640”，“article-titel”：“条件性对抗性域适配”，“author”:“Long”，“year”:“2018”，“journal-title“：”高级神经信息。过程。系统。“}，{”key“：”10.1016\/j.neucom.2021.11.005_b0180“，”series-title“：”机器学习国际年会论文集“，”首页“：”961“，”article-title“：“条件分布的希尔伯特空间嵌入及其在动力系统中的应用”，“author”：“Song”，“year”：“2009”}，“key”：“10.1016\\j.neucomm.2021.1005_b0185”，“doi-asserted-by“：”crossref“，”first page“：”100“，”doi“：”10.1016\/j.ymssp.2015.04.021“，”article-title“：”使用凯斯西储大学数据进行滚动轴承诊断：基准研究“，”卷“：”64\u201365“，”作者“：”史密斯“，”年份“：”2015“，”期刊标题“：”机械。系统。信号处理。“}，{”issue“：”5“，”key“：”10.1016\/j.neucom.2021.11.005_b0190“，”doi-asserted-by“：”crossref“，”first page“：“3137”，”doi“：”101109\/TIE.2016.2519325“，”article-title“：”一种针对机械大数据的无监督特征学习智能故障诊断方法“，”volume“：。电子。“}，{”issue“：”8“，”key“：”10.1016\/j.neucom.2021.101.005_b0195“，”doi-asserted-by“：”crossref“，”first page“：“1926”，”doi“：”101109\/TIM.2017.2674738“，“article-title”：“基于深度卷积网络的节能多尺度特征学习，用于智能主轴轴承故障诊断”，“volume”：“66”，“author”：“Ding”，“year”：“2017”，“journal-title“：”IEEE传输。仪器。测量。“}，{”issue“：”1“，”key“：”10.1016\/j.neucom.2021.11.005_b0200“，”doi-asserted-by“：”crossref“，”first page“：“401”，”doi“：”101109\/TR.2018.2882682“，”article-title“：”估算滚动轴承剩余使用寿命的混合预测方法“，”volume“：“”12“，”key“：”10.1016\/j.neucom.2021.11.005_b0205“，”doi-asserted-by“：”crossref“，”first page“：“7762”，”doi“：”101109\/TIE.2015.2455055“，”article-title“：”预测滚动轴承剩余使用寿命的改进指数模型“，”volume“：。Ind.Electron公司。“}，{”issue“：”2“，”key“：”10.1016\/j.neucom.2021.11.005_b0210“，”doi-asserted-by“：”crossref“，”first page“：“526”，”doi“：”101109\/TEC.2012.2189887“，”article-title“：”风力发电机组齿轮箱的故障分析和状态监测“，”volume“:”27“，”author“：”Zhang“，”year“2012”，”journal title“：“IEEE Trans.Energy Convers.”}]，”container-title“：[”Neurocomputing“]，”original-title“：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/api.elsevier.com/content\/article\/PII:S092523121016787？httpAccept=text\/xml“，”content-type“：”text\/xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，”URL“:”https:\\/api.else evier.com\/content\/artracle\/PI:S092552312 21016787？httpAccept=text\/plain“，”content-type“：”text\/plain“，”content-version“：”vor“，”intended-application“：”text-mining“}]，”deposed“：{”date-parts“：[[2023,3,6]]，”date-time“：“2023-03-06T04:52:03Z”，”timestamp“：1678078323000}，”score“：1，”resource“：{primary”：{“URL”：“https:\/\/linkinghub.elsevier.com\/retrieve\/pi\/S092523121016787”}}，“副标题”：[]，“短标题”：[]，“发布”：{”date-parts“：[[2022,5]]}，”references-count“：42，”alternative-id“：[”S092523121016787“]，”URL“：”http://\/dx.doi.org\/10.1016\/j.neucom.2021.11.005“，”relation“：{}，“ISSN”：[”0925-2312“]，“ISSN-type”：[{“value”：“0925-2313”，“type”:“print”}]，“subject”：【】，“published”：{“date-part”：[2022,5]]}，“断言”：[{“value”：“Elsevier”，“name”：“publisher”，“label”：“本文由“}，{“value”：“基于多层特征融合的跨域故障诊断联合自适应转移学习网络”，“name”：“articletite”，“label”：“article Title”}，“{”value“：”Neurocomputing“，”name“：”journaltitle“，”label“：”Journal Title“}、{“value”：“https:\/\/doi.org\/101016\/j.neucom.202111.005”，“name”：“”articlelink“，”label“：”CrossRef DOI link to publisher maintained version“}，{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，}“value”：“\u00a9 2021 Elsevier B.V.保留所有权利。”，“名称”：“版权”，“标签”：“copyright”}]}}