少样本高可靠
一种针对滚动轴承剩余寿命预测的自适应稀疏贝叶斯神经网络增量预测方法，显著提升少样本下预测精度与泛化能力。
李文杰 · Liu, Dongdong · 王华庆 · 崔玲丽
Reliability Engineering and System Safety 2026
通过贝叶斯概率建模量化预测不确定性，并利用时间级联网络捕捉退化趋势，在训练数据稀缺时仍保持高精度和强泛化能力。
重要性引导的参数保留机制在保留关键知识的同时剪除冗余网络组件，降低模型复杂度，便于部署到资源受限的设备。
阶段自适应相关对齐动态学习不同阶段间的内在知识相关性，缓解退化不一致问题，提升模型在不同工况和阶段下的泛化与鲁棒性。