(原文+译文)DeepConvolutionalTransferLearningNetworkANewMethodforIntelligentFault

DeepConvolutionalTransferLearningNetworkANewMethodforIntelligentFaultDiagnosisofMachineswithUnlabeledData(深度卷积迁移学习网络：一种新的无标记机器故障智能诊断方法) 雷亚国团队2018年文章。 机械智能故障诊断的成功依赖于两个条件。1)含有故障信息的有标签数据是可用的。2)训练和测试数据是从相同的概率分布中获取的。然而，对于大部分机械，很难获得大量的有标签数据。此外，尽管一些机械可以获取有标签数据，但是由于数据分布的差异，用这些有标签数据训练的智能故障诊断方法可能无法对从其他机械获得的无标

(原文+译文)DeepSubdomainAdaptationNetworkforImageClassification(用于图像分类的深度子域自适应网络)

Deep Subdomain Adaptation Network for Image Classification(用于图像分类的深度子域自适应网络)王晋东2020年最新文章全文翻译。 对于没有标记数据的目标任务，域适应可以将知识从不同的源域迁移过来。以往的深度域适应方法主要是学习全局的域迁移，即对齐源域和目标域的全局分布，而不考虑同一类别不同域中的两个子域之间的关系，在没有捕捉到细粒度信息的情况下导致迁移学习效果不佳。近年来，越来越多的研究者开始关注子域自适应问题，重点是准确地对齐相关子域的分布。然而，它们大多包含多个损失函数且收敛缓慢的对抗性方法。在此基础上，我们提出了一种深度子域自适应

布谷鸟算法(Matlab).zip

布谷鸟算法（cuckoo search）的matlab程序实现。详细的注释，便于初学者理解。完整的程序，清晰好用。

（原文+译文）基于集成经验模态分解和AP聚类的轴承性能退化评估

Bearing Performance Degradation Assessment Based on Ensemble Empirical Mode Decomposition and Affinity Propagation Clustering

（原文+译文）2015_传递迁移学习_杨强团队_Transitive_Transfer_Learning.zip

摘要：传递迁移学习是利用源域知识来提高目标域学习能力的一种学习方法，已在各种应用中被证明是有效的。迁移学习的一个主要限制是源域和目标域应该是直接相关的，如果两个领域之间几乎没有重叠，则在这些领域之间执行知识转移将无效。受人类传递性推理和学习能力的启发，利用辅助概念将两个看似无关的概念通过一系列中间桥连接起来，本文研究了一个新的学习问题：传递性转移学习（transitive Transfer learning，简称TTL）。TTL的目的是在源域和目标域直接共享少量因素的情况下，打破大的域距离，传递知识。例如，当源域和目标域分别是文本和图像时，TTL可以使用一些带注释的图像作为中间域来桥接它们。为了解决TTL问题，我们提出了一个框架，首先选择一个或多个域作为源域和目标域之间的桥梁，实现转移学习，然后通过这个桥梁进行知识转移。大量的经验证据表明，该框架在多个分类数据集上产生了最新的分类精度。

（原文+译文）基于EMD-SVD和模糊神经网络的轴承性能退化建模方法

A Bearing Performance Degradation Modeling Method Based on EMD-SVD and Fuzzy Neural Network

(原文+译文)2019_用于智能故障诊断的无监督深度迁移学习：开放源代码和比较研究.zip

严如强团队2019年文章UnsupervisedDeepTransferLearningforIntelligentFaultDiagnosis-AnOpenSourceandComparativeStudy用于智能故障诊断的无监督深度迁移学习：开放源代码和比较研究 关键词：无监督深度学习；智能故障诊断；开源研究 1.介绍 2.简要回顾 3.算法评估 4.基于UDTL的智能故障诊断应用 5.数据集 6.数据预处理和拆分 7.评估方法 8.评价结果 9.进一步讨论 10.结论 附录A：测试结果

（译文）2019_Knowledge Transfer for Rotary Machine Fault Diagnosis旋转机械故障诊断的特征迁移.zip

Knowledge Transfer for Rotary Machine Fault Diagnosis 旋转机械故障诊断的知识迁移 关键词：迁移学习，旋转机械故障诊断，多工况，多位置，多机器，多故障类型。 1.引言 2.知识迁移的理论背景 3.知识迁移在旋转机械故障诊断领域的应用 4.旋转机械故障诊断中知识迁移的研究动态 5.结论

（原文+译文）A Survey on Transfer Learning_Pan and Yang_2010.pdf

A Survey on Transfer Learning迁移学习综述，香港科技大学杨强教授团队于2010年10月发表在IEEE Transactions on Knowledge and Data Engineering, VOL.22, NO.10 关键词：迁移学习；综述；机器学习；数据挖掘 1.引言 2.概述 3.归纳迁移学习 4.直推式迁移学习 5.无监督迁移学习 6.迁移界限和负迁移 7.迁移学习的应用 8.结论