دانلود مقاله انگلیسی رایگان:شبکه عصبی رمزگذار- رمزگذار مکرر کوانتومی برای پیش بینی روند عملکرد ماشین های چرخشی - 2020
دانلود بهترین مقالات isi همراه با ترجمه فارسی

با سلام خدمت کاربران عزیز، به اطلاع می رساند ترجمه مقالاتی که سال انتشار آن ها زیر 2008 می باشد رایگان بوده و میتوانید با وارد شدن در صفحه جزییات مقاله به رایگان ترجمه را دانلود نمایید.

دانلود مقاله انگلیسی شبکه های نورونی رایگان
  • Quantum recurrent encoder–decoder neural network for performance trend prediction of rotating machinery Quantum recurrent encoder–decoder neural network for performance trend prediction of rotating machinery
    Quantum recurrent encoder–decoder neural network for performance trend prediction of rotating machinery

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Quantum recurrent encoder–decoder neural network for performance trend prediction of rotating machinery


    ترجمه فارسی عنوان مقاله:

    شبکه عصبی رمزگذار- رمزگذار مکرر کوانتومی برای پیش بینی روند عملکرد ماشین های چرخشی


    منبع:

    Sciencedirect - Elsevier - Knowledge-Based Systems, 197 (2020) 105863. doi:10.1016/j.knosys.2020.105863


    نویسنده:

    Yong Chen a, Feng Li a,b,c,∗, Jiaxu Wangb,c, Baoping Tang b, Xueming Zhou d


    چکیده انگلیسی:

    Traditional neural networks generally neglect the primary and secondary relationships of input information and process the information indiscriminately, which leads to their bad nonlinear approximation capacity and low generalization ability. As a result, traditional neural networks always show poor prediction accuracy in the performance degradation trend prediction of rotating machinery (RM). In view of this, a novel neural network called quantum recurrent encoder–decoder neural network (QREDNN) is proposed in this paper. In QREDNN, the attention mechanism is used to simultaneously reconstruct encoder and decoder of QREDNN, so that QREDNN can fully excavate and pay attention to important information but suppress the interference of redundant information to obtain better nonlinear approximation capacity. On the other hand, the quantum neuron is used to construct a new quantum gated recurrent unit (QGRU) in which activation values and weights are represented by quantum rotation matrices. The QGRU can traverse the solution space more finely and has a lot of multiple attractors, so it can replace the traditional recurrent unit of the encoder and decoder and enhance the generalization ability and response speed of QREDNN. Moreover, the Levenberg– Marquardt (LM) algorithm is introduced to improve the update speeds of the rotation angles of quantum rotation matrices and the attention parameters of QREDNN. Based on the superiorities of QREDNN, a new performance trend prediction method for RM is proposed, in which the denoised fuzzy entropy (DFE) of vibration acceleration signal of RM is input into QREDNN as the performance degradation feature for predicting the performance degradation trend of RM. The examples of predicting the performance trend of rolling bearings demonstrate the effectiveness of our proposed method.
    Keywords: Quantum recurrent encoder–decoder | neural network (QREDNN) | Artificial intelligence | Attention mechanism | Quantum neuron | Performance trend prediction | Rotating machinery


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 17
    حجم فایل: 4226 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi