贝叶斯神经网络武器系统是否改善预测性维护?
通过神经网络、贝叶斯模型和新型区间蒙特卡罗 Markov Chain 技术来改进武器系统的预测性维护,结果表明相对于传统模型,本研究方法具备更好的预测能力。
Jan, 2023
本文研究了在深度神经网络中建模不确定性对生存分析的预测和校准性能的好处,提出了一个贝叶斯深度学习框架,评估了四个基准数据集上的预测表现,并与传统非贝叶斯方法进行比较。
Apr, 2024
本研究通过对 10 种常见的推断方法在回归和分类任务中的预测不确定性估计结果进行实证比较,发现常用的指标可能会导致误导,并表明为了得到高质量的后验逼近并不一定需要具有捕获后验结构的推断创新。
Jun, 2019
基于贝叶斯神经网络和传感器数据,本研究针对电池健康监测和终端寿命预测进行建模,在实验中验证了建议模型的有效性,预测误差率平均值为 13.9%,对特定测试电池可降至 2.9%;同时,预测结果包含可量化的确定性信息,从电池初始到中期使用阶段提高了 66%,提高了电池技术的实际应用价值。
Apr, 2024
使用集成神经网络进行概率剩余寿命预测的方法,可以区分出系统产生的 aleatoric 不确定性和模型参数产生的 (epistemic) 不确定性,并通过在 NASA 的涡轮喷气发动机 CMAPSS 数据集上的测试,展示了这些不确定性可以被建模和解释的方式,并与现有的先进方法进行了评估。
Sep, 2023
本文提出了一种基于贝叶斯循环神经网络的概率故障检测和识别方法,该方法具备模型复杂性、直接故障识别和故障传播分析等特点,并在对比实验中展示了卓越的性能。
Nov, 2019
提出了一种基于预测性维护的集成系统,通过从传感器数据收集的信息,准确预测装甲车辆的维护需求,评估了所提出的集成模型的稳定性和表现,结果表明该系统具有高精度和高召回率,可以有效预测维护需求,从而减少车辆停机时间,提高运营效率,强调了基于机器学习的预测性维护解决方案的潜力。
Jul, 2023