CN114881084A - 一种基于改进ssa优化vmd和cnn参数的滚动轴承故障诊断方法 - Google Patents
一种基于改进ssa优化vmd和cnn参数的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN114881084A CN114881084A CN202210544156.0A CN202210544156A CN114881084A CN 114881084 A CN114881084 A CN 114881084A CN 202210544156 A CN202210544156 A CN 202210544156A CN 114881084 A CN114881084 A CN 114881084A
- Authority
- CN
- China
- Prior art keywords
- parameters
- vmd
- improved
- cnn
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于改进SSA优化VMD和CNN参数的滚动轴承故障诊断方法。包括以下步骤:输入滚动轴承数据集;基于改进麻雀搜索算法SSA优化VMD算法分解个数和惩罚因子,得到VMD的分解个数和惩罚因子的最优参数组合;利用改进参数后的VMD将振动信号分解成若干含故障信息的信号分量;基于改进的麻雀搜索算法SSA优化CNN的超参数,包括学习率、训练次数、各个卷积层的卷积核大小等;利用改进参数后的CNN实现故障特征的提取和故障诊断。本发明在滚动轴承公开数据集上获得很好的故障分类与诊断效果,解决了传统VMD算法受惩罚因子和分解个数限制的问题,实现对故障特征信息的准确提取,解决了传统CNN网络受超参数的反复试验选择,导致耗费大量的实验成本和时间的问题,实现了CNN网络的诊断精度提高。
Description
技术领域
本发明属于机械故障诊断领域,特别是涉及一种基于改进SSA优化VMD和CNN参数的滚动轴承故障诊断方法。
背景技术
制造业是立国之本、强国之基。随着现代科技工业技术尤其是信息技术的迅速发展,航空、通信、工业应用等各个领域的工程系统日趋复杂,系统的综合化、智能化程度不断提高,组成环节和影响因素的不断增加,发生故障和功能失效的几率也逐渐加大,因此,故障诊断逐渐成为研究者关注的焦点。
关于故障诊断方法的分类,国内外不同的研究机构和组织的提法不尽一致,从目前主流的技术和应用研究工作来看,主要可以分为:基于模型的故障诊断技术;基于统计可靠性的故障诊断技术及基于数据驱动的故障诊断技术。
由于数据驱动诊断技术是对数据直接进行处理,对人为因素和专家知识依赖较少,具有普遍适用性且能达到较高的诊断精度,因此现有的故障诊断方法研究中,大多采用此方法。其中,Dragomirestkiy提出了一种完全非递归,且具有完备数学理论支撑的变分模态分解方法(VMD)。由于VMD自身不存在端点效应,而且可以自适应的将复合信号中两个频率相似的谐波信号分隔开,因此该方法已经广泛应用于机械故障诊断中。
传统的VMD算法受参数人为设置的限制,具有很大的主观性,导致故障诊断率不高。采用VMD进行分解信号过程中,需要预先设定分解个数K和惩罚因子α,这两个参数直接影响到VMD的分解效果,当K值取值较小时,会出现“欠分解”现象,若α取值较小,会出现模态混叠现象,反之,当K值取值较大时,会出现“过分解”现象,若α取值较大,会出现虚假分量现象。因此对VMD参数进行优化,以确定最优的K和α是亟需解决的问题。
20世纪八九十年代,由于计算机水平和其他技术的限制,深度学习并没有表现出优异的性能。2006年Hinton提出一种贪婪逐层预训练的策略,为深度网络的训练提供了新思路,并被证实可以用来训练许多其他类型的深度网络。自此以后,深度学习得到广泛关注,并在模式识别、图像处理等领域取得了良好的发展成果。目前常用的深度学习模型有深度信念网络(Deep Belief Network,DBN),卷积神经网络(ConvolutionalNeuralNetworks,CNN),循环神经网络(Recurrent Neural Network,RNN),稀疏自动编码器(Sparse Auto-Encoders,SAE)等。
卷积神经网络是一种受生物的视知觉机制启发而构建的深层学习模型,擅长处理图像数据。在故障诊断领域,目前主要的研究方向有两大类,一类是通过一定的信号处理方法得到将机械设备振动信号的时频特征图,将CNN作为分类器使用;另一类是将未处理的原始信号直接作为CNN的输入,利用CNN强大的非线性特征自学习能力,自适应逐层提取输入数据特征,并进行分类任务。
CNN主要分为滤波层和分类层。滤波层由卷积层、池化层和激活层构成,而分类层大多直接由全连接形成。CNN的层级分布,决定了CNN具有较多的超参数,所谓超参数优化或调整问题就是在网络模型中选取一个最优化超参数搭配的问题。对于给定的问题,很难了解超参数的最佳组合方案,但用以往的经验法复制在其他问题上使用的值,或者通过反复试验寻找最佳值都会耗费大量的实验成本和时间,而且可能得到的并不是最优解。因此对CNN超参数进行优化,以确定分类效果最优参数是亟需解决的问题。
随着现代工业技术的快速发展,设备自身的结构和运行环境逐渐复杂,传感器采集到的设备状态监测数据也呈现多样化趋势,这使得故障特征的难度不断增加。因此,如何充分利用好VMD完成对信号降噪,使CNN更好的实现故障特征的提取与分类,是今后机械设备故障诊断方法的研究重点。
发明内容
针对上述现有技术的不足,本发明提供了一种基于改进SSA优化VMD和CNN参数的滚动轴承故障诊断方法。本发明通过改进麻雀搜索算法优化VMD和CNN参数,使得VMD得到最优参数组合[K0,α0],以此为基础进行VMD分解、重构信号,能够得到更加准确的信号特征。同样的,以验证集分类错误率为适应度函数求其最小值,目的是找到一组超参数,使得网络错误率最低,使得CNN得到最优超参数,从而完成滚动轴承的故障诊断。
为了实现上述目的,本发明采用如下技术予以实现:
一种优化VMD和CNN参数的故障诊断方法,包括如下过程:
S1、获取滚动轴承振动信号;
S2、基于改进麻雀搜索算法优化VMD算法分解个数和惩罚因子,得到VMD的分解个数和惩罚因子的最优参数组合;
S3、利用改进参数后的VMD将振动信号分解成若干含故障信息的信号分量;
S4、基于改进的麻雀搜索算法优化CNN的超参数,包括学习率、训练次数、各个卷积层的卷积核大小与卷积核数量和全连接层的节点数;
S5、输入S3的信号分量,利用改进参数后的CNN实现故障特征的提取和故障分类。
其中,在S2所述的改进麻雀搜索算法中,采用猫映射产生初始种群,其表达式为:式中:a1、b1为任意实数;mod1表示求a1小数部分。利用反向选择策略生成初始反向解加入初始种群,利用精英反向学习策略对麻雀种群进行选择,以此提高麻雀种群的质量,使种群增加多样性,为较好的全局搜索奠定基础,同时可以利用反向解引导算法跳出局部最优,并且通过动态边界不断缩小搜索空间,有利于提高算法收敛速度。利用改进的Tent混沌和柯西变异扰动策略加入算法,避免算法陷入局部最优,提高了全局搜索能力和寻优精度。改进后Tent混沌映射表达式为:其中N为序列内粒子数。柯西变异公式为:mutation(x)=x(1+tan(π(u-0.5))),式中:x为原来个体位置,u为(0,1)区间内的随机数。改进探索者位置更新公式,令其中,α是区间(0,1]的随机数,itermax为迭代次数最大值。使探索者跟随者自适应调整策略,其公式为:其中,b为比例系数,k为扰动偏离因子,对非线性递减的r值进行扰动。将VMD分解完的信号的包络熵值作为改进的麻雀算法的适应度函数,计算VMD最优参数组合[K0,α0]。本发明的特点及有益效果:
1、本发明改进了麻雀搜索算法,在寻优参数的收敛速度与精度上都能取得良好的优化效果。
2、本发明基于改进的麻雀搜索算法优化了VMD的参数,相比于传统的VMD方法能筛选出含故障信号更多的信号分量,实现对故障特征信息的准确提取。
3、本发明基于改进的麻雀搜索算法优化了CNN的超参数,能够使优化参数后的CNN更有效的提取轴承故障特征,更有效的判断轴承故障类别,应用于轴承信号分析中,具有较为广泛的实用性。
附图说明
图1为本发明流程图
图2为改进VMD参数的流程图
图3为改进CNN超参数的流程图
图4为改进VMD参数后分解出信号分量波形图
图5为改进VMD参数后分解出信号分量频谱图
图6为改进CNN超参数后的网络准确率与损失率图
图7为未改进CNN超参数的网络准确率与损失率图
具体实施方式
本发明是一种基于改进SSA优化VMD和CNN参数的滚动轴承故障诊断方法,其流程图如图2和图3所示。一种优化VMD和CNN参数的故障诊断方法过程包括如下步骤:
(1)优化VMD过程包括如下步骤
步骤1,建立适应度为包络熵和峭度指标的综合函数模型,初始化改进的麻雀算法参数,种群数量,最大迭代次数,参数上下限,参数维度,以及输入参数的取值范围;
步骤2,猫映射初始化种群,再通过精英反向解选出优质种群作为初始种群;
步骤3,在VMD算法参数的取值范围内初始化麻雀的位置坐标,然后计算每一个麻雀的适应度值和麻雀种群的平均适应度值;
步骤4,如果个体适应度值小于群体平均适应度值,则表明出现“聚集”趋势,进行柯西变异,如果比变异之前的个体更优,则用变异后的个体替代变异前的个体,否则保持原个体不变。如果个体适应度值大于等于群体平均适应度值则表明出现“发散”趋势,对个体进行Tent混沌扰动,如果扰动后的个体性能更优,则用扰动后的代替之前个体,否则保持不变;
步骤5,根据麻雀种群当前的状态,更新整个种群所经历的最优位置及其适应度,最差位置及其适应度;
步骤6,判断算法运行是否达到最大迭代次数或者求解精度,若是,循环结束,输出寻优结果并得到分解后的信号分量如图3所示,其频率如图4所示,得到VMD的分解个数和惩罚因子的最优参数组合,否则返回步骤4。
其中,步骤1包络熵作为适应度函数,是一种很好的评价信号稀疏特性的标准,熵值大小反映了概率分布的均匀性轴承早期故障信号经VMD算法处理后,如果所得IMF分量中包含的噪声较多,与故障相关的周期性冲击特征不明显,则分量信号的稀疏性较弱,包络熵值较大。如果IMF分量中包含的故障特征信息较多,波形中出现规律性冲击脉冲,则信号将呈现出较强的稀疏特性,包络熵值较小。包络熵公式为:公式中:pj是a(j)的归一化形式;a(j)是信号x(j)经希尔伯特变化解调后的包络信号。峭度指标是一种无量纲指标,对故障信号微弱变化敏感,非常适用于轴承的早期故障诊断,分量的峭度定义为式中:μi为IMF的均值;σi为IMF的方差。当轴承无故障时,振动信号接近正态分布,峭度指标越等于3。当滚动轴承发生局部故障时,振动信号在故障冲击作用下将偏离正态分布,而轴承的故障信息也往往包含在由故障冲击成分引起的幅值调制信号中。因此,峭度值越大冲击成分与故障信息也就越丰富,故障特征更易于提取。因此,将两种指标进行融合可以更好的有利于对振动信号中的故障特征进行提取。建立综合目标函数C可表示为:C=Ei+1/abs(qdi-3)。
步骤2中精英反向学习策略是针对反向学习不一定比当前搜索空间更易搜索到全局最优解这一问题提出的,该策略利用优势个体来构造反向种群,以此增强种群多样性。具体是设Xi=(xi1,xi2,…,xiD)是一普通粒子,对应的自身极值即为精英粒子则精英反向解可定义为:其中:μ∈(0,1)为服从正态分布的随机数;[daj,dbj]为第j维搜索空间的动态边界,可按此式得到:利用动态边界来代替搜索空间的固定边界,能够积累搜索经验,使生成的反向解位于逐步缩小的搜索空间,加速算法收敛。当生成的反向解位于边界之外时,使用随机生成的方法进行重置。如此式所示:
(2)优化CNN超参数过程包括如下步骤
步骤1,初始化参数,确定麻雀种群数、最大迭代次数以及边界等基本参数,确定CNN的层级结构;
步骤2,输入已经通过VMD处理好的数据,并使训练集,验证集,测试集按照7:2:1的比例分配;
步骤3,计算此时麻雀个体的适应度值且同时排序,适应度函数为验证集的误差率;
步骤4,更新麻雀个体位置包括发现者、跟随者、警戒者的位置;
步骤5,是否满足适应度条件,若是则输出最优超参数,否则返回步骤3;
步骤6,利用优化参数后的CNN训练模型,其准确率与损失率如图5所示;
步骤7,将测试集输入训练好的模型,完成故障诊断。
为验证所提出的方法在滚动轴承故障诊断的可行性,本专利采用凯斯西储大学的滚动轴承数据集,通过Matlab软件对数据进行实验及测试。滚动轴承故障数据标书及样本分布如表1所示。
表1滚动轴承样本分布表
实验样本选用48kHz的轴承故障数据,分别选取7mil、14mil和21mil故障体量级别下,三种包含轴承内圈、外圈及滚动体的故障位置,外加一组正常数据共10组,按7∶2∶1的比例划分训练集、验证集及测试集(其中训练集和测试集无任何交集)。分别对训练集、验证集和测试集进行处理。利用优化参数后的CNN训练模型,其准确率与损失率如图5所示与其未改进前的损失率和准确率如图6对比有显著提升,因此本专利采用的改进麻雀搜索算法优化VMD和CNN参数的滚动轴承故障诊断方法有效,能够提高轴承故障诊断精度。
Claims (2)
1.一种基于改进SSA优化VMD和CNN参数的滚动轴承故障诊断方法。其特征在于:
主要包括利用基于改进的麻雀搜索算法进行参数、引入猫映射、精英反向学习策略、Tent混沌扰动及柯西变异扰动策略以及改进麻雀探索者的位置更新公式来优化麻雀搜索算法。通过改进的麻雀搜索算法优化VMD和CNN的参数,使得滚动轴承的故障诊断率提高,完成滚动轴承的故障分类与诊断。
2.根据权利要求1所述一种基于改进SSA优化VMD和CNN参数的滚动轴承故障诊断方法,其特征在于:所述步骤的具体过程包括:
S1:获取滚动轴承信号。
S2:基于改进麻雀搜索算法优化VMD算法分解个数和惩罚因子,得到VMD的分解个数和惩罚因子的最优参数组合。
S3:利用改进参数后的VMD将振动信号分解成若干含故障信息的信号分量。
S4:基于改进的麻雀搜索算法优化CNN的超参数,包括学习率、训练次数、各个卷积层的卷积核大小与卷积核数量和全连接层的节点数。
S5:输入S3的信号分量,利用改进参数后的CNN实现故障特征的提取和故障分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210544156.0A CN114881084A (zh) | 2022-05-18 | 2022-05-18 | 一种基于改进ssa优化vmd和cnn参数的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210544156.0A CN114881084A (zh) | 2022-05-18 | 2022-05-18 | 一种基于改进ssa优化vmd和cnn参数的滚动轴承故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114881084A true CN114881084A (zh) | 2022-08-09 |
Family
ID=82674829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210544156.0A Pending CN114881084A (zh) | 2022-05-18 | 2022-05-18 | 一种基于改进ssa优化vmd和cnn参数的滚动轴承故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881084A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115901248A (zh) * | 2022-10-18 | 2023-04-04 | 江苏新道格自控科技有限公司 | 一种齿轮箱故障特征提取方法 |
CN117217098A (zh) * | 2023-11-08 | 2023-12-12 | 北京科技大学 | 基于数字孪生和深度学习的钢管力学性能预测方法及装置 |
-
2022
- 2022-05-18 CN CN202210544156.0A patent/CN114881084A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115901248A (zh) * | 2022-10-18 | 2023-04-04 | 江苏新道格自控科技有限公司 | 一种齿轮箱故障特征提取方法 |
CN115901248B (zh) * | 2022-10-18 | 2023-09-19 | 江苏新道格自控科技有限公司 | 一种齿轮箱故障特征提取方法 |
CN117217098A (zh) * | 2023-11-08 | 2023-12-12 | 北京科技大学 | 基于数字孪生和深度学习的钢管力学性能预测方法及装置 |
CN117217098B (zh) * | 2023-11-08 | 2024-02-23 | 北京科技大学 | 基于数字孪生和深度学习的钢管力学性能预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114881084A (zh) | 一种基于改进ssa优化vmd和cnn参数的滚动轴承故障诊断方法 | |
Jin et al. | An adaptive anti-noise neural network for bearing fault diagnosis under noise and varying load conditions | |
CN106682688B (zh) | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 | |
CN104792522B (zh) | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 | |
CN110307982B (zh) | 基于CNN和Adaboost的轴承故障分类方法 | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN115096590B (zh) | 一种基于iwoa-elm的滚动轴承故障诊断方法 | |
CN111323220A (zh) | 风力发电机齿轮箱故障诊断方法及系统 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN108304927A (zh) | 基于深度学习的轴承故障模式诊断方法及系统 | |
CN106886660A (zh) | EEMD‑Hilbert包络谱与DBN相结合的变负载下滚动轴承状态识别方法 | |
CN113869208B (zh) | 基于sa-acwgan-gp的滚动轴承故障诊断方法 | |
CN111006865A (zh) | 一种电机轴承故障诊断方法 | |
CN108106844A (zh) | 一种自适应参数调节的自动编码机的轴承故障诊断方法 | |
CN114169110B (zh) | 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法 | |
CN113919220A (zh) | 一种振动图像驱动的滚动轴承智能故障诊断方法 | |
CN112069918A (zh) | 一种行星齿轮箱的故障诊断方法和装置 | |
Xiao et al. | Fault diagnosis of rolling bearing based on back propagation neural network optimized by cuckoo search algorithm | |
CN108694474A (zh) | 基于粒子群的模糊神经网络池塘溶解氧预测 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN115293206A (zh) | 一种基于麻雀算法优化宽度学习系统的轴承故障诊断方法 | |
Saufi et al. | Machinery fault diagnosis based on a modified hybrid deep sparse autoencoder using a raw vibration time-series signal | |
Cui et al. | Intelligent fault quantitative identification via the improved deep deterministic policy gradient (DDPG) algorithm accompanied with imbalanced sample | |
Zheng et al. | A fault classification method for rolling bearing based on multisynchrosqueezing transform and WOA-SMM | |
CN113887717A (zh) | 一种基于深度学习预测神经网络训练时长的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |