<link rel='stylesheet' href='https://looksfile.com/css/affcss.css' /><div class='affsbt'><div class='contnr'><h5><a href='https://looksfile.com/product/226320/دانلود-ترجمه-مقاله-عیب-یابی-خطای-ماشین‌های-دوار-براساس-ترکیبات-جدید-الگوریتم-خوشه-بندی/9557' target='_blank'>دانلود ترجمه مقاله عیب یابی خطای ماشین‌های دوار براساس ترکیبات جدید الگوریتم خوشه بندی</a></h5><p><a href='https://looksfile.com/product/226320/دانلود-ترجمه-مقاله-عیب-یابی-خطای-ماشین‌های-دوار-براساس-ترکیبات-جدید-الگوریتم-خوشه-بندی/9557' target='_blank' class='affsbtpic'><img src='https://looksfile.com/HPicturer.ashx?img=defaultpic_16.jpg&w=150&h=150&path=~/content/productpic/' alt='دانلود-ترجمه-مقاله-عیب-یابی-خطای-ماشین‌های-دوار-براساس-ترکیبات-جدید-الگوریتم-خوشه-بندی' /></a>دانلود ترجمه مقاله عیب یابی خطای ماشین‌های دوار براساس ترکیبات جدید الگوریتم خوشه بندی <br>ترجمه در قالب فایل Word و قابل ویرایش میباشد <br>سال انتشار:2006<br>تعداد صفحه ترجمه:15<br>تعداد صفحه فایل انگلیسی:6<br><br> موضوع انگلیسی :Fault diagnosis of rotating machinery based on a new hybrid<br>clustering algorithm<br>موضوع فارسی:دانلود ترجمه مقاله عیب یابی خطای ماشین‌های دوار براساس ترکیبات جدید الگوریتم خوشه بندی<br>چکیده انگلیسی:Abstract A new hybrid clustering algorithm based on a<br>three-layer feed forward neural network (FFNN), a distribution<br>density function, and a cluster validity index, is<br>presented in this paper. In this algorithm, both feature<br>weighting and sample weighting are considered, and an<br>optimal cluster number is automatically determined by the<br>cluster validity index. Feature weights are learnt via FFNN<br>based on the gradient descent technique, and sample<br>weights are computed by using the distribution density<br>function of a sample. Feature weighting and sample<br>weighting highlight the importance of sensitive features<br>and representative samples, and simultaneously weaken the<br>interference of insensitive features and vague samples. The<br>presented algorithm is described and applied to the incipient<br>fault diagnosis of locomotive roller bearings. The diagnosis<br>result demonstrates the superior effectiveness and practicability<br>of the algorithm, and shows that it is a promising approach<br>to the fault diagnosis of rotating machinery<br>چکیده فارسی:ترکیبات جدید الگوریتم خوشه‌بندی براساس سه لایه شبکه عصبی پیشخور (FFNN) ، تابع تراکم توزیع شده، و شاخص اعتبارسنجی خوشه‌بندی،در این مقاله نشان داده‌شده است. در این الگوریتم، هردو وزن‌دهی ویژگی و وزن‌دهی نمونه در نظر گرفته شده است، و تعداد خوشه‌بندی بهینه به صورت خودکار توسط شاخص ارزیابی خوشه‌بندی مشخص می‌شود. ویژگی وزن توسط FFNN براساس روش گرادیان نزولی آموزش داده شده است، و وزن‌دهی نمونه بااستفاده از تابع تراکم توزیع شده محاسبه شده است. ویژگی وزن‌دهی ویژگی و وزن‌دهی نمونه اهمیت ویژگی‌های حساس  و نمونه‌های نمایش‌داده‌شده، وهمزمانی ضعیف  واسط ویژگی‌های غیرحساس و نمونه‌های مبهم را برجسته می‌کند. الگوریتم نمایش داده شده تشریح شده و برای تشخیص اولیه یاطاقان‌های غلتکی لوکوموتیو بکار رفته‌است. در نتیجه تشخیص اثربخشی و عملی بودن الگوریتم را نشان می‌دهد، و رویکرد امیدبخشی برای تشخیص عیب ماشین‌ آلات دوار ارائه می‌دهد.<div style='text-align:center !important'><a href='https://looksfile.com/product/226320/دانلود-ترجمه-مقاله-عیب-یابی-خطای-ماشین‌های-دوار-براساس-ترکیبات-جدید-الگوریتم-خوشه-بندی/9557' target='_blank' class='buy' ><img src='https://looksfile.com/content/affbanner/buy.png' alt='دانلود فایل' /></a></div></p><div class='affsbtclr'></div></div></div>