Resumen

Debido a la falta de muestras de soporte de mantenimiento, la evaluación de la efectividad del soporte de mantenimiento basada en la red neuronal profunda a menudo enfrenta el problema de sobreajuste de muestras pequeñas y baja capacidad de generalización. En este documento, se propone un modelo de evaluación de red neuronal basado en una red generativa antagónica (GAN) mejorada y una red de función de base radial (RBF) para amplificar las muestras de soporte de mantenimiento. Se añade una restricción de categoría basada en la función de reordenamiento de vectores de probabilidad de categoría a la función de pérdida de GAN, evita la simplificación de las categorías de muestras generadas y mejora la calidad de las muestras generadas. También se diseña un método de inicialización de parámetros basado en la variación equidistante de componentes de parámetros para la red RBF, que mejora la respuesta de la información de características correctas y reduce el riesgo de sobreajuste en el entrenamiento. Los resultados de comparación muestran que el error cuadrático

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Muestras de soporte de mantenimiento; Modelo de evaluación de red neuronal; Red generativa adversarial; Función de base radial; Restricción de categoría; Inicialización de parámetros
• Keywords:Maintenance support samples; Neural network evaluation model; Generative adversarial network; Radial basis function; Category constraint; Parameter initialization