دانلود مقاله ISI انگلیسی شماره 114094
ترجمه فارسی عنوان مقاله

خوشه بندی مشخصه با استفاده از تئوری مجموعه خشن برای انتخاب ویژگی در دسته بندی سختی گسل ماشین آلات چرخشی

عنوان انگلیسی
Attribute clustering using rough set theory for feature selection in fault severity classification of rotating machinery
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
114094 2017 46 صفحه PDF سفارش دهید
دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 14857 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 18 تومان 22 روز بعد از پرداخت 267,426 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 36 تومان 11 روز بعد از پرداخت 534,852 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
تولید محتوا برای سایت شما
پایگاه ISIArticles آمادگی دارد با همکاری مجموعه «شهر محتوا» با بهره گیری از منابع معتبر علمی، برای کتاب، سایت، وبلاگ، نشریه و سایر رسانه های شما، به زبان فارسی «تولید محتوا» نماید.
  • تولید محتوا با مقالات ISI برای سایت یا وبلاگ شما
  • تولید محتوا با مقالات ISI برای کتاب شما
  • تولید محتوا با مقالات ISI برای نشریه یا رسانه شما
  • و...

پیشنهاد می کنیم کیفیت محتوای سایت خود را با استفاده از منابع علمی، افزایش دهید.

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Expert Systems with Applications, Volume 71, 1 April 2017, Pages 69-86

ترجمه کلمات کلیدی
خوشه بندی مشخصه، مجموعه خشن، انتخاب ویژگی، طبقه بندی سختی گسل، ماشین آلات دوار،
کلمات کلیدی انگلیسی
Attribute clustering; Rough set; Feature selection; Fault severity classification; Rotating machinery;
ترجمه چکیده
ویژگی های استخراج شده از برنامه های دنیای واقعی به طرز چشمگیری افزایش می یابد، در حالی که روش های یادگیری ماشین عملکرد خود را با توجه به سناریوی قبلی کاهش می دهد و نیاز به کاهش ویژگی ها است. به ویژه برای تشخیص خطا در ماشین آلات چرخش، تعداد ویژگی های استخراج شده به منظور جمع آوری تمام اطلاعات موجود از چندین سیگنال تحت نظارت قابل ملاحظه است. رویکردهای چندگانه به کاهش داده ها با استفاده از استراتژی های تحت نظارت یا عدم نظارت منجر می شود که در آن تحت نظارت، قابل اطمینان ترین و ضرر اصلی آن دانش پیش از وقوع شرایط گسل است. این کار یک الگوریتم جدید کنترل نشده برای انتخاب ویژگی براساس خوشه بندی ویژگی و تئوری مجموعه خشن ارائه می دهد. نظریه مجموعه خشن برای تخمین شباهت بین ویژگی ها از طریق وابستگی نسبی استفاده می شود. رویکرد خوشه بندی طبقه بندی را براساس فاصله با خوشه بندی بر مبنای نمونه اولیه به گروه های مشابه ترکیب می کند، بدون نیاز به تعداد خوشه ها به عنوان ورودی. علاوه بر این، الگوریتم دارای یک ویژگی تکاملی است که اجازه می دهد تنظیم پویا از ساختار خوشه در طی فرآیند خوشه بندی، حتی زمانی که مجموعه ای از ویژگی های جدید الگوریتم را فراهم می کند. این به الگوریتم یک ویژگی یادگیری افزایشی می دهد و از فرایند بازآموزی اجتناب می کند. این خواص تعریف اصلی و اهمیت الگوریتم پیشنهاد شده را تعریف می کند. برای بررسی الگوریتم، دو مشکل تشخیص خطا از طبقه بندی شدت گسل در دنده ها و یاطاقان مورد بررسی قرار می گیرند. نتایج طبقه بندی نشان می دهد که الگوریتم پیشنهاد شده قادر به انتخاب ویژگی های کافی به عنوان روش های انتخاب و کاهش سایر ویژگی ها است.
ترجمه دقیق تری نیاز دارید؟ سفارش دهید
پیش نمایش مقاله
پیش نمایش مقاله خوشه بندی مشخصه با استفاده از تئوری مجموعه خشن برای انتخاب ویژگی در دسته بندی سختی گسل ماشین آلات چرخشی

چکیده انگلیسی

Features extracted from real world applications increase dramatically, while machine learning methods decrease their performance given the previous scenario, and feature reduction is required. Particularly, for fault diagnosis in rotating machinery, the number of extracted features are sizable in order to collect all the available information from several monitored signals. Several approaches lead to data reduction using supervised or unsupervised strategies, where the supervised ones are the most reliable and its main disadvantage is the beforehand knowledge of the fault condition. This work proposes a new unsupervised algorithm for feature selection based on attribute clustering and rough set theory. Rough set theory is used to compute similarities between features through the relative dependency. The clustering approach combines classification based on distance with clustering based on prototype to group similar features, without requiring the number of clusters as an input. Additionally, the algorithm has an evolving property that allows the dynamic adjustment of the cluster structure during the clustering process, even when a new set of attributes feeds the algorithm. That gives to the algorithm an incremental learning property, avoiding a retraining process. These properties define the main contribution and significance of the proposed algorithm. Two fault diagnosis problems of fault severity classification in gears and bearings are studied to test the algorithm. Classification results show that the proposed algorithm is able to select adequate features as accurate as other feature selection and reduction approaches.

دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 14857 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 18 تومان 22 روز بعد از پرداخت 267,426 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 36 تومان 11 روز بعد از پرداخت 534,852 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.