A Posterior Probability-Guided Kernel-Space Oversampling Machine Learning Method for Imbalanced Rolling Bearing Health Monitoring
Dieses Paper schlägt Kernel-PAO vor, eine neuartige Methode des maschinellen Lernens, die das Oversampling mittels posteriore Wahrscheinlichkeit gesteuerter Interpolation in den Kernel-Raum verlagert, um schwerwiegende Klassenimbalancen bei der Zustandsüberwachung von Wälzlagerungen effektiv zu adressieren, wobei es traditionelle Techniken wie SMOTE in Bezug auf Genauigkeit und Robustheit signifikant übertrifft.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.