一种电动设备检测的方法和装置制造方法及图纸

本发明专利技术公开了电动设备检测的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取包括电动设备性能指标的训练集和测试集；将所述训练集进行偏置映射极化激活，得到第一数据；将第一数据进行稀疏三值化处理，得到第二数据；将第二数据进行极化二分类，得到第三数据；根据第二数据和第三数据，确定训练模型；根据所述训练模型和测试集，确定测试集中高故障率电动设备和低故障率电动设备检测。该实施方式克服了现有技术在电动设备检测时仅用神经网络进行表征学习不能解释、且准确性差的技术缺陷，达到检测的过程可视、检测的结果可以解释、进一步提高了表征学习能力的技术效果。

【技术实现步骤摘要】
一种电动设备检测的方法和装置
本专利技术涉及计算机
，尤其涉及一种电动设备检测的方法和装置。
技术介绍
现有技术中通常利用人工根据经验或传统的神经网络对电动设备进行检测进而预测电动设备的故障率。其中基于传统神经网络检测电动设备电动设备检测，主要采用以下方案之一：神经网络和随机森林的堆叠、深度森林网络、激活函数极化模拟决策过程、随机森林到神经网络映射。在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：1、利用人工根据经验或传统的神经网络模型的可解释性能较差。2、利用传统的神经网络模型部分解决方案只是机械地将神经网络和随机森林算法进行先后组合，并不能做到神经网络端到端的学习、表征学习能力较差。3、利用传统的神经网络模型进行电机设备检测的部分解决方案不能进行微分运算，丧失了神经网络通过回传梯度迭代优化的特性。
技术实现思路
有鉴于此，本专利技术实施例提供一种电动设备检测，能够使得确定电动设备检测的过程可视，并且提取的本专利技术的检测过程可以解释、进一步提高了表征学习能力本文档来自技高网...

【技术保护点】
1.一种电动设备检测的方法，其特征在于，包括：/n获取包括电动设备性能指标的训练集和测试集；/n将所述训练集进行偏置映射极化激活，得到第一数据；将第一数据进行稀疏三值化处理，得到第二数据；将第二数据进行极化二分类，得到第三数据；根据第二数据和第三数据，确定训练模型；/n根据所述训练模型和测试集，确定测试集中高故障率电动设备和低故障率电动设备检测。/n

【技术特征摘要】
1.一种电动设备检测的方法，其特征在于，包括：
获取包括电动设备性能指标的训练集和测试集；
将所述训练集进行偏置映射极化激活，得到第一数据；将第一数据进行稀疏三值化处理，得到第二数据；将第二数据进行极化二分类，得到第三数据；根据第二数据和第三数据，确定训练模型；
根据所述训练模型和测试集，确定测试集中高故障率电动设备和低故障率电动设备检测。


2.根据权利要求1所述的方法，其特征在于，将所述训练集进行偏置映射极化激活，得到第一数据，包括：
将所述训练集转化为多个通道数据；
对每个通道数据中的每个特征数据，采用一个偏置参数进行映射；
根据激活函数对映射后的特征数据进行激活，使得激活后的特征数据映射到预设区间内，确定第一数据。


3.根据权利要求2所述的方法，其特征在于，所述激活函数，包括：sigmiod函数或tanh函数。


4.根据权利要求3所述的方法，其特征在于，根据激活函数对映射后的特征数据进行激活，使得激活后的特征数据映射到预设区间内，确定第一数据之后，还包括：
将所述第一数据进行极化处理。


5.根据权利要求4所述的方法，其特征在于，所述极化处理的方式，包括：
sigmoid(k1*x)，或
其中，x为待极化处理的特征数据；参数k1、k2、n的取值范围均为[1,1000]。


6.根据权利要求5所述的方法，其特征在于，所述参数k1、k2、n的确定方式，包括：
所述参数k1、k2、n通过自适应确定；
和/或，当极化处理的方式为sigmoid(k1*x)时，所述k1的取值设置为1，并以步长为1逐步提升k1的值，直至达到极化目标；当极化处理的方式为时，所述k2和n的取值设置为1，并以步长为1逐步提升k2的值，直至接近极化目标；然后以步长为1逐步提升n的值，直至达到极化目标。


7.根据权利要求1所述的方法，其特征在于，将第一数据进行稀疏三值化处理，得到第二数据，包括：
根据预设稀疏度，将第一数据进行稀疏处理；将稀疏处理后的样本进行恢复训练；
将预设稀疏度的权重进行三值化处理；
逐步调整稀疏度的数值，循环进行稀疏处理和三值化处理直至达到预设稀疏目标，得到第二数据。


8.根据权利要求7所述的方法，其特征在于，所述稀疏度的取值范围为[0,1)。


9.根据...

【专利技术属性】
技术研发人员：解鹏，夏敏雪，张雯，
申请(专利权)人：京东数字科技控股有限公司，
类型：发明
国别省市：北京;11