近日，由我院完成的一篇深度学习模型应用研究论文“GNPENet: 一种用于故障诊断的局部结构卷积神经网络”被国际知名刊物《IEEE Transactions on Instrumentation & Measurement》接收并出版。我院2021级软件工程专业研究生王金平为论文第一作者，指导教师和通讯作者为冉瑞生教授。

随着现代工业的发展，故障诊断已成为一个重要的研究领域。目前，人们提出了许多故障诊断方法。作为一种旨在克服卷积神经网络（CNN）高计算复杂性的方法，PCANet 也被应用于故障诊断领域。PCANet 的核心算法是主成分分析（PCA）算法。然而，PCA 是一种全局结构降维方法，不能有效分析数据的局部空间几何结构，甚至可能削弱或破坏局部结构信息。此外，基于 L2范数的算法对噪声和异常值非常敏感。针对这些问题，首先提出了一种基于 Lp范数的广义邻域保留嵌入（GNPE）方法，并将其用于学习 CNN 的卷积滤波器。通过这种方法，我们提出了一种具有局部结构的新型卷积神经网络，即广义邻域保持嵌入网络（GNPENet）。我们在三种类型的五个数据集上进行了故障诊断实验，全面评估了所提出的 GNPENet 方法。实验结果表明，与一些最先进的模型相比，GNPENet 具有更好的特征提取和泛化能力。GNPENet模型主要架构见图1。成果论文题目为“GNPENet: A Novel Convolutional Neural Network with Local Structure for Fault Diagnosis”。

图1 GNPENet模型主要框架示意图

TIM（IEEE Transactions on Instrumentation & Measurement）是IEEE旗下仪器仪表系统领域的知名刊物，在2022年12月最新升级版的中科院SCI期刊分区（http://www.fenqubiao.com）中位列“工程技术”领域的第二区，JCR分区为Q1分区。

该成果论文目前已在IEEE Xplore网站上刊登：https://ieeexplore.ieee.org/document/10304236。