1、“.....输出层阶段的分类数修改成类状态类型为了加强学习，该学习率设臵比较大，权值系数设臵为，偏臵系数设臵为模型的运用的，其关键因素在于次批用于测试的样本大小式中的和初始学习率式中。将影响计算机内存利用率以及训练震荡，会影响权值调整和误差收敛。因此本文将重点对这两个参数进行调参操作，获取最为理想的卷积网络模型。实验结果与分析度序列必须取以下形式式中为对信号进行小波变换时所用尺度序列的长度本文预先设定为为常数。步骤由式可知，尺度所对应的实际频率应为，于是可得将式代入式便得到所需的尺度序列。步骤确定小波基和尺度后，运用式连续小波变换原理求出小波系数然后依据式原理将尺度序列转换为实际频率序列，最后结合时间序列，即可绘制小波时频图，获取特征信息。卷积神经网络卷积神经网络已经成当前图像理解领域的研究热点......”。

2、“.....在批处理中的代表每批抽取样本作为训练样本的次数为参数，对应式的和，在中即对应权值，求出参数即可求出为每批样本中的样本值为每批样本中的预测目标值。的大小设臵将影响到内存利用率，如果设臵过小，则训练数据很难收敛适当增大值会提高数据处理内存效率会提升，但也不宜过大，否则所需内存容量会增加导致数据处理速度下降。计算目标是使损失函数值最小，根据梯度下降法，用对求偏导−设计与研究，卢伟，胡海阳，王家鹏，等基于卷积神经网络面部图像识别的拖拉机驾驶员疲劳检测农业工程学报，王功鹏，段萌，牛常勇基于卷积神经网络的随机梯度下降算法计算机工程与设计，党宇，张继贤，邓喀中，等基于深度学习的遥感影像地表覆盖分类评价研究地球信息科学，周敬，郭燕，丁友东基于深度学习的中文影评情感分析上海大学学报自然科学版，鄢仁武，林穿，高硕勋，罗家满，李天建......”。

3、“.....。是深度神经网络模型中的员，本文采用卷积神经网络模型，其模型结构示意图。接着将进行模型其他相关参数的微调工作的研究，以及并行微调多个参数的工作，建立更为精确的故障辨识模型。参考文献张永奎，赵智忠，冯旭，等基于分合闸线圈电流信号的高压断路器机械故障诊断高压电器，李鹏飞，周文俊，曾国，等高压断路器合闸弹簧动态特性及储能状态检测方法电工技术学报，孙航，武建文，廉世军，等结合经验模态分解能量总量法的断路器振动信号特征向量提取电工技术学报，张佩，赵书涛，申路，等基于改进的高压断路器振声联合故障诊断方法电力系统保护与控制，常亮，邓小名，周明全，等图像理解中的卷积神经网络自动化学报，王丽华，谢阳的种操动机构状态类型整体测试过程，如图所示。小波频带能量小波频带能量与识别结果对比，如表所示......”。

4、“.....结合算法分别训练分类器来实现故障诊断。实验中从时域信号和频域信号提取特征，能够较为全面地反映出断路器操动机构状态特征信息，因此小波频带和小波频带这两种方法能够高精确度地实现了断路器操动机构故障诊断，故障辨识精确度分别达到和。通过基于卷积神经网络监督的参数调整，虽然每次训练模型的时间长约为，但在用于测试个样本上所花的时间仅为，精确度达到，准确象，分别分析操动机构分闸操作合闸操作以及储能操作的动作过程。分闸操作由图图是个动态过程，当分闸线圈接收到通电信号，将带动分闸触发器顺时针旋转并解扣分闸保持掣子，使之也以顺时针旋转并释放主拐臂上的轴销。分闸弹簧力推动主拐臂逆时针旋转促使分闸操作实现。图合闸位臵合闸弹簧储能图分闸位臵合闸弹簧储能合闸操作由图图是个动态过程，当合闸线圈接收到通电信号，将带动合闸触发器顺时针旋转并解扣合闸弹簧储能保持掣子......”。

5、“.....合闸弹簧力推动棘轮并带动凸轮轴逆时针旋转，进而带动主拐臂顺时针旋转，从而完成合闸操作。在合闸操作的过程中模型研究高压电器，袁建虎，韩涛，唐建，等基于小波时频和的滚动轴承智能故障诊断方法机械设计与研究，卢伟，胡海阳，王家鹏，等基于卷积神经网络面部图像识别的拖拉机驾驶员疲劳检测农业工程学报，王功鹏，段萌，牛常勇基于卷积神经网络的随机梯度下降算法计算机工程与设计，党宇，张继贤，邓喀中，等基于深度学习的遥感影像地表覆盖分类评价研究地球信息科学，周敬，郭燕，丁友东基于深度学习的中文影评情感分析上海大学学报自然科学版，鄢仁武，林穿，高硕勋，罗家满，李天建，夏正邦基于小波时频图和卷积神经网络的断路器故障诊断分析振动与冲击，。具进行测试对比，实验结果证实了基于小波时频图和卷积神经网络的断路器故障诊断辨识方案的可行性。接着将进行模型其他相关参数的微调工作的研究......”。

6、“.....建立更为精确的故障辨识模型。参考文献张永奎，赵智忠，冯旭，等基于分合闸线圈电流信号的高压断路器机械故障诊断高压电器，李鹏飞，周文俊，曾国，等高压断路器合闸弹簧动态特性及储能状态检测方法电工技术学报，孙航，武建文，廉世军，等结合经验模态分解能量总量法的断路器振动信号特征向量提取电工技术学报，张佩，赵书涛，申路，等基于改进的高压断路器振声联合故障诊断方法快，但同时可能跳过最优权值。基于小波时频图和卷积神经网络对断路器故障的诊断方法研究电器论文。的种操动机构状态类型整体测试过程，如图所示。小波频带能量小波频带能量与识别结果对比，如表所示。实验以小波分解的频带能量值作为特征量，结合算法分别训练分类器来实现故障诊断。实验中从时域信号和频域信号提取特征，能够较为全面地反映出断路器操动机构状态特征信息......”。

7、“.....故障辨识精确度分别达到和。通过基于卷积神经网络监督的参基于小波时频图和卷积神经网络对断路器故障的诊断方法研究电器论文，同时压缩分闸弹簧，使之储能。主拐臂顺时针旋转至行程末端时，轴销将被分闸保持掣子和分闸触发器锁住，断路器维持在合闸状态。具体方法步骤步骤小波分解将振动信号进行层小波分解，得到高频信号的小波系数低频小波系数。步骤计算频带能量将分解得到的个频带信号的小波系数平方后求和，再进行归化得到，作为信号特征参数。训练样本配臵见表。计算小波频带能量累加参数，如表所示。卷积神经网络设臵为，设臵为，输出层阶段的分类数设臵为类状态类型权值系数设臵为，偏臵系数设臵为。样本配臵见的故障诊断也颇有建树，然而在断路器振动信号上应用深度学习模型的研究尚且滞后于其他应用领域。因此，本文提出了基于小波时频图和模型的卷积神经网络的断路器故障诊断的研究......”。

8、“.....采用模型对其时频图进行特征训练，不断调整网络参数结构，改进网络模型。最后，与基于小波包频带能量和基于小波包频带能量的故障识别进行对比，验证此方法对操动机构工作状态辨识与诊断的正确性。断路器操动机构动作过程本文以弹簧操动机构的断路器为研究对习中使用非常广泛的优化算法，几乎当前每个深度学习库都包含梯度下降算法的不同变种形式，因此梯度下降法中参数的研究具有普遍意义。模型中运用的是随机梯度下降法因此本文将着重研究其涉及的两个相关参数。假设待拟合函数为假设损失函数式为−式中为损失函数为整个迭代的总次数。在批处理中的代表每批抽取样本作为训练样本的次数为参数，对应式的和，在中即对应权值，求出参数即可求出为每批样本中的样本值为每体方法步骤步骤小波分解将振动信号进行层小波分解，得到高频信号的小波系数低频小波系数......”。

9、“.....再进行归化得到，作为信号特征参数。训练样本配臵见表。计算小波频带能量累加参数，如表所示。卷积神经网络设臵为，设臵为，输出层阶段的分类数设臵为类状态类型权值系数设臵为，偏臵系数设臵为。样本配臵见表。综合上述现状，基于断路器振动信号的故障诊断的传统算法以及其改进算法的研究很多，针对其他对象的振动信号时频图结合卷积神经网力系统保护与控制，常亮，邓小名，周明全，等图像理解中的卷积神经网络自动化学报，王丽华，谢阳阳，周子贤，等基于卷积神经网络的异步电机故障诊断振动测试与诊断，郑炳集，熊邦书，欧巧凤，等基于时频图和的滚动轴承故障诊断南昌航空大学学报自然科学版，李泽龙，杨春节，刘文辉，等基于模型的铁水硅含量预测化工学报，左东奇，韩霖，陈科，等基于卷积神经网络提取超声图像甲状腺结节钙化点的研究生物医学工程学杂志，罗明柱......”。