Rezultati

eNauka >  Rezultati >  Optimizing Bearing Fault Diagnosis in Rotating Electrical Machines Using Deep Learning and Frequency Domain Features
Naziv: Optimizing Bearing Fault Diagnosis in Rotating Electrical Machines Using Deep Learning and Frequency Domain Features
Autori: Eduardo Quiles-Cucarella; Alejandro García-Bádenas; Ignacio Agustí-Mercader; Guillermo Escrivá-Escrivá
Ostala autorstva: Recezent Slavica Prvulović  
Godina: 2025
Publikacija: Applied Sciences
ISSN: 2076-3417 Applied Sciences-Basel Pretraži identifikator
Izdavač: Switzerland, Basel: Multidisciplinary Digital Publishing Institute - MDPI
Tip rezultata: Uređivački rad
Kolacija: vol. 15 br. 6 str. 3132-3132
DOI: 10.3390/app15063132
WoS-ID: 001453569300001
Scopus-ID: 2-s2.0-105000992287
URI: https://enauka.gov.rs/handle/123456789/988286
URL: https://www.mdpi.com/2076-3417/15/6/3132
Izvor metapodataka: (Preuzeto iz KNR-a) Prvulović, Slavica
Napomena: Recezent Slavica Prvulović
M-kategorija: 
Mp kategorija će biti prikazana naknadno.

5
SCOPUSTM
3
WEB OF SCIENCETM
Alt metrika
Dimensions
Unpaywall

Google ScholarTM

Rezultati na eNauka su zaštićeni autorskim pravima i sva prava su zadržana, osim ako nije drugačije naznačeno.