by Thomas Esbensen and Christoffer Slot, Denmark

使用强化学习的智能故障诊断 问题陈述：使用智能代理执行条件分类，该智能代理学习类似于人类感知的分类 方法：使用堆叠式自动编码器提取潜在特征，并使用深度Q网络训练代理 数据集 我们的研究中使用的滚动轴承的故障数据是由凯斯西储大学（CWRU）收集的。 该数据集包含正常轴承和故障轴承的滚珠轴承测试数据。 在实验设置中，测量数据的采样频率为48KHz，该频率来自电机轴附近的测量。 有四种不同的条件： N：正常 如果：内部故障 OF：外部故障 RF：滚轴故障 为了验证所提出的方法，根据作为运行条件的轴的负载量将振动数据分为四组（A，B，C和D），这将导致不同的振动模式，从而增加振动的动态性。轴。 根据故障直径和故障位置，每组（例如A）包含10个不同的类别（1、2，...，10）。 A，B，C包含所有类，并且在这三个数据集中没有不可见的类。 平均而言，某个数据集下的每个类别包含480,000

图像模糊matlab代码#前列腺癌诊断源代码定量光成像实验室，伊利诺伊大学香槟分校#Introduction 这是从 QPI 图像诊断前列腺癌的源代码。 它由 Tan H. Nguyen () 用 MATLAB 编写。 如果您使用我们的代码，请考虑引用它，因为它需要大量的时间和资源来开发。 #Installation 创建一个要安装代码的文件夹，cd 到该文件夹​​中。 在 git 中，输入 git clone https://github.com/thnguyn2/diagnosis_code.git 现在，检查主分支 git checkout master 如果您想使用最新版本的代码进行更新 git pull origin master 克隆源代码后，打开iccv_paper/demo.m 开始。 #源代码组织项目树如下： 文件夹： iccv_paper/：一个包含源代码工作版本的文件夹 nonrelevant_old_code/：一个带有旧功能的文件夹 support/：一个带有支持功能的文件夹 文件： 回购中的以下文件。 文件夹仅用于总结结果和新想法。 虽然它们不是很有用。 我

Covid-19_Detection_Using_Chest_X-Ray_Images 项目链接-https: 通过胸部X射线图像诊断COVID疾病的深度学习项目。 这是Flask Web GUI的一些屏幕截图。 在该项目中，DenseNet121体系结构用于图像分类，并实现了99％的准确度。 这是模型分类报告和混淆矩阵

故障诊断代码matlab 智能轴承故障诊断的一种情况 这是轴承故障智能诊断的情况。 该程序是用MATLAB编写的。 使用的主要技术是特征检测和神经网络。 此代码来自本科课程分配。 该代码已经编写了8年。 因为许多学生需要这样一个简单的案例研究，所以它被寄出了 均方根 峰值 峰值因数 峰度 波形因数 利润 冲动因素 均方频率 重力频率 方差频率 故障特征频率 BP神经网络

内核主成分分析（KPCA） MATLAB代码，用于通过使用内核来进行非线性降维，故障检测和故障诊断。 2.1版，2020年5月6日 电子邮件： 主要特点 易于使用的API，用于训练和测试KPCA模型 多种内核功能 支持降维，故障检测和故障诊断 支持数据重建 告示 仅支持对高斯内核进行故障诊断。 使用“ Classdef ... End”定义类，因此该代码只能在R2008a版本之后应用于MATLAB。 更多详细信息和讨论，请参阅： : 此代码仅供参考。 降维演示（“香蕉”数据和“圆”数据） 数据重建演示（“圆形”数据） 故障检测演示（TE过程数据） 故障诊断演示（TE过程数据）

Deep Residual Shrinkage Networks for Fault Diagnosis.pdf Minghang Zhao, Shisheng Zhong, Xuyun Fu, Baoping Tang, and Michael Pecht, Fellow Member, IEEE

基于递归神经网络的故障诊断 matlab仿真

Fault-Diagnosis Applications;Model-Based Condition Monitoring;Actuators, Drives, Machinery, Plants, Sensors;

可解释性深度学习用于12导联心电图的自动诊断 该存储库包含用于可解释性深度学习的代码，用于自动诊断12导联心电图。 心电图（ECG）是广泛用于心血管疾病诊断的可靠，非侵入性方法。 随着心电图检查的Swift发展和心脏病医生的不足，准确地自动诊断心电图信号已成为研究的热点。 深度学习方法已在预测性医疗保健任务中显示出令人鼓舞的结果。 在这项工作中，我们开发了一种深度神经网络，用于12导联心电图记录中的心律不齐的多标签分类。 在公开的12导联ECG数据集上进行的实验表明了我们方法的有效性。 所提出的模型在接收器工作特性曲线（AUC）下获得的平均面积为0.970，平均F1得分为0.813。 使用单导联心电图作为模型输入所产生的性能低于使用所有12条导联。 表现最佳的潜在客户是12根潜在客户中的潜在客户I，aVR和V5。 最后，我们采用了SHapley Additive exPlanations（