利用深度神经网络学习的特征进行多类轴承故障分类 该存储库包含提交给的论文的代码，该论文使用已学习的数据驱动功能进行故障诊断。 无需手动计算特征，而是通过深度神经网络从数据中学习特征。 然后将这些学习到的功能与SVM一起用于故障分类。 还提出了一种解释数据驱动功能的经验方法。 该论文已被接受并将出现在会议记录中。 数据： 我们使用公开可用的。 该数据集实际上是为预后应用准备的。 但是，我们将其用于故障诊断任务。 我们考虑四种故障类型：正常故障，内部故障，外部故障和球形故障。 原始数据是在几个月内收集的，直到其中一个轴承发生故障。 因此，对于正常情况，我们已在实验开始时收集了数据。 同样，对于错误情况，我们已在实验结束时获取了数据，该数据更接近发生错误的时间点。 我们实验中使用的文件的详细信息可以在下面找到。 提取后，包含原始数据的压缩文件提供了三个文件夹：1st_test，2nd_tes

Condition Monitoring and Faults Diagnosis of Induction Motors Electrical Signature Analysis

一种新的基于卷积神经网络的数据驱动故障诊断方法 本文提出了一种基于LeNet-5的新型CNN进行故障诊断。 通过将信号转换为二维（2-D）图像的转换方法，该方法可以提取转换后的二维图像的特征，并消除手工特征的影响。 我觉得这很有趣，因为它将CNN应用于机械场景。 .py文件是CNN的实现。 但是我没有提供如何预处理数据集。 参考： L. Wen，X. Li，L. Gao和Y. Zhang，“基于卷积神经网络的新的数据驱动的故障诊断方法，”《 IEEE Transactions on Industrial Electronics》，第1卷。 65，不。 7，页5990-5998，2018年7月。

医疗诊断聊天机器人 一个基于Python Flask，Chatterbot，SQLAlchemy和Hexo设计的Web应用聊天机器人，用于常见疾病的初步医学诊断。 确保已安装git，nodejs，hexo和python 3.x 本地设置： pip3 install chatterbot pip3 install sqlalchemy sudo apt install nodejs sudo apt install npm npm install -g hexo-cli git clone https://github.com/haroldponceee/Medical-Diagnosis-Chatbot.git cd Medical-Diagnosis-Chatbot pip3 install -r requirements.txt npm install hexo-renderer-

转移学习进行故障诊断 迁移学习故障诊断深度神经网络 该存储库用于转移学习或具有故障诊断的领域自适应。 论文如下： 引文 如果您使用此代码和数据集进行研究，请考虑引用： @inproceedings{zhang2019domain, title={Domain Adaptation with Multilayer Adversarial Learning for Fault Diagnosis of Gearbox under Multiple Operating Conditions}, author={Zhang, Ming and Lu, Weining and Yang, Jun and Wang, Duo and Bin, Liang}, booktitle={2019 Prognostics and System Health Management Confere

Authored by renowned neuroradiologist Steven P. Meyers, Differential Diagnosis in Neuroimaging: Brain and Meninges is a stellar guide for identifying and diagnosing brain pathologies based on location and neuroimaging results. The succinct text reflects more than 25 years of hands-on experience gleaned from advanced training and educating residents and fellows in radiology, neurosurgery, and neurology. The high-quality MRI, CT, PET, PET/CT, conventional angiography, and X-ray images have been collected over Dr. Meyers's lengthy career, presenting an unsurpassed visual learning tool.The distinctive 'three-column table plus images' format is easy to incorporate into clinical practice, setting this book apart from larger, disease-oriented radiologic tomes. The layout enables readers to quickly recognize and compare abnormalities based on high-resolution images.Key Highlights,解压密码 share.weimo.info

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