CN109447263A - 一种基于生成对抗网络的航天异常事件检测方法 - Google Patents
一种基于生成对抗网络的航天异常事件检测方法 Download PDFInfo
- Publication number
- CN109447263A CN109447263A CN201811319172.XA CN201811319172A CN109447263A CN 109447263 A CN109447263 A CN 109447263A CN 201811319172 A CN201811319172 A CN 201811319172A CN 109447263 A CN109447263 A CN 109447263A
- Authority
- CN
- China
- Prior art keywords
- generator
- positive
- sample
- represent
- event
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种基于生成对抗网络的航天异常事件检测方法。利用正生成对抗网络模拟生成正常事件样本,同时利用反生成对抗网络模拟生成异常事件样本;通过设计合理的算法利用检测器计算输入事件与正生成器生成的模拟正常事件,以及与反生成器生成的模拟异常事件的重构误差,求出异常分,按照异常分大小,大于阈值时判定为异常事件检出;对样本稀少、复杂多变、无法准确观察到的航天异常事件实现无监督异常事件检测,开展航天常态化事故预防和异常事件提前预警。本发明属于人工智能技术领域,可应用于使用生成对抗网络异常事件检测及故障诊断的航天分系统及部件设计。
Description
技术领域
本发明涉及一种基于生成对抗网络的航天异常事件检测方法,适用于采 用GAN作为航天异常事件检测及故障诊断的航天分系统及部(器)件设计。
技术背景
由于航天领域环境复杂、技术难、风险高、投入大,航天异常事件及故 障具有不确定性、发展性和分散性等典型特性。故障预警和异常事件检测成 为保障、维护航天安全的关键。
异常事件检测传统方法主要包括信号分析、信息熵、统计分析和聚类等。 信号分析主要用于时域信号有关异常检测,优点是无监督,不需要标记样本, 困难在于正常、异常边界难以明确定义。信息熵用于称量信息、事件的无序 程度,多用于对网络流量、信号异常检测,优点是无监督,不需要标记样本, 不足是需要严谨的信息论方法。统计分析法是基于数据的经验分布进行异常 检测,优点在于无监督,可以对任意分布数据进行异常检测,问题在于现实 中数据不一定符合某种分布,检测结果不确定。聚类方法假设稀疏样本或远离正常样本的数据为异常样本。优点是识别精度较高,缺点是需要标记数据, 对于未搜集到的正常样本会产生误报。
随着深度神经网络技术的发展,国际上开始采用卷积网络、自动编码器、 生成对抗网络等方法开展异常事件检测研究。但还存在需要进行数据标记、 精度不够高等问题。Jinwon An等人提出基于变分自动编码器(简称VAE)使 用重构概率进行异常检测,但存在部分关键性能不佳问题。
自从Goodfellow等人提出生成对抗网络(Genertive Adversity Networks, 简称GAN)以来,被迅速用于声音、图像处理,数据增强和事件检测方面。 Thomas Schlegl等人开展GAN无监督异常监测,进行医学图像异常病变诊 断标记研究。Houssam Zenati等人从事基于GAN的有效异常检测研究。
由于GAN是一种新型的深度学习模型,同时训练捕获数据分布的生成 模型G,和估计样本来自训练数据概率的判别模型D。G的训练程序是将D 错误的概率最大化,使得G重现训练数据分布。因此通过设计正反生成对 抗网络,在只有正常事件的条件下,同时模拟重现正常事件和异常事件的分 布,具备良好的适应性和灵活性。
发明内容
本发明的技术解决问题是:针对航天环境复杂、技术难度大,风险高, 安全可靠性要求苛刻,训练用异常事件极少甚至没有,故障诊断和维护保障 困难。提出一种基于生成对抗网络的航天异常事件检测模型。开拓生成对抗 网络使用方式,使用正生成器模拟生成正常事件样本,同时利用反生成器模 拟生成异常事件样本,设计合理算法训练测试,通过计算输入事件与正生成 器生成的模拟正常事件,以及与反生成器生成的模拟异常事件距离差,实现 航天异常事件精确检测,预防航天事故,保障航天系统安全。既拓展了故障 诊断和维修保障方式,又是航天安全保障的一种全新技术途径。
本发明的技术解决方案:
一种基于生成对抗网络的航天异常事件检测的方法,其特征在于:利 用正生成对抗网络模拟生成正常事件样本,同时利用反生成对抗网络模拟生 成异常事件样本,具体包括以下步骤:
(1)考虑航天异常事件检测,使用正生成对抗网络进行模拟生成正常 事件样本训练
输入正常事件进行正生成对抗网络训练:
输入正常事件样本{x(1),······,x(N)}
输入随机变量样本{z(1),······,z(N)}
更新参数使判决器随梯度上升方向优化:
更新参数使正生成器随剃度下降方向优化:
其中,Dn代表判决器,Gn代表正生成器,Θd代表判决器参数,是自变 量,Dn(x(i))代表判决器输入x(i)时的输出,Gn(z(i))代表正生成器的输出, Dn(Gn(z(i)))代表输入为正生成器的输出时,判决器的输出,V(Dn,Gn,Θd)代表随 判决器、正生成器参数变化的函数,是因变量,也是要优化的目标函数, 是对目标函数V(Dn,Gn,Θd)自变量Θd求偏导数(梯度) 代表目标函数在某一点随自变量Θd正方向的变化 率,η是学习因子,调整梯度变化的大小;Θg代表正生成器参数,是自变量, V(Dn,Gn,Θg)代表随判决器、正生成器参数变化的函数,是因变量,也是要优 化的目标函数;是对目标函数V(Dn,Gn,Θg)自变量Θg求偏导数(梯 度)代表目标函数在某一点随自变量Θg正方向的 变化率;
(2)考虑航天异常事件检测,使用反生成对抗网络进行模拟生成异常 事件样本训练
输入正常事件进行反生成对抗网络训练:
输入正常事件样本{x(1),······,x(N)}
输入随机变量样本{z(1),······,z(N)}
更新参数使判决器随梯度上升方向优化:
更新参数使反生成器随剃度下降方向优化:
其中,Da代表判决器,Ga代表反生成器,Da(x(i))代表判决器输入x(i)时 的输出,Ga(z(i))代表反生成器的输出,Da(Ga(z(i)))代表输入为反生成器的输出 时,判决器的输出,V(Da,Ga,Θd)代表随判决器、反生成器参数变化的函数, 是因变量,也是待优化的目标函数,是对目标函数V(Da,Ga,Θd)自 变量Θd求偏导数(梯度)代表目标函数在某一点 随自变量Θd正方向的变化率;V(Da,Ga,Θg)代表随判决器、反生成器参数变化 的函数,是因变量,也是待优化的目标函数,是对目标函数 V(Da,Ga,Θg)自变量Θg求偏导数(梯度)代表目标 函数在某一点随自变量Θg正方向的变化率;
(3)航天异常事件检测
采用检测器计算异常分A(x,Θ):
输入测试事件样本{x(1),······,x(N)}
输入随机变量样本{z(1),······,z(N)}
计算输入向量与模拟正常事件误差An(x,Θ):
An(x,Θ)=||x-Gn(z)||2
计算输入向量与模拟异常事件误差Aa(x,Θ):
Aa(x,Θ)=||x-Ga(z)||2
计算异常分A(x,Θ):
A(x,Θ)=An(x,Θ)-Aa(x,Θ)
如果异常分大于门限阈值φ,结果判为异常事件检出,否则判为正常事 件。
在上述的一种基于反生成对抗网络的航天异常事件检测方法中,利用生 成对抗和拒绝抽样原理,输入正常事件,训练反生成器生成模拟异常事件样 本,具体包括以下步骤:
(1)考虑航天异常事件检测,对反生成对抗网络的判决器进行训练:
输入正常事件样本{x(1),······,x(N)}
输入随机变量样本{z(1),······,z(N)}
更新参数使判决器随梯度上升方向优化:
其中调整梯度变化的大小,梯度上升就是沿着梯度变化最快的正方向, 故求偏导确定大小后相加;
(2)考虑航天异常事件检测,对反生成对抗网络的反生成器进行训练:
输入正常事件样本{x(1),······,x(N)}
输入随机变量样本{z(1),······,z(N)}
更新参数使反生成器随剃度下降方向优化:
其中梯度下降就是沿着梯度变化最快的反方向,故求偏导确定大小后相 减。
本发明的结构原理框图如下图1所示。GAN结构由一个生成器和一个判 决器构成。生成器输入随机变量,通过捕获真实数据样本潜在分布,生成新 的假数据样本。判决器是一个二分类器,判别输入是真实数据还是生成的假 数据样本。生成器输入随机变量z,G(z)为由生成器生成的尽量服从真实数 据分布的假数据。判决器输入真实数据z或生成器生成的假数据D(x(i)),输 出真假数据概率。生成器的目的是尽量去学习真实的数据分布,而判决器的 目的是尽量正确判别输人数据是来自真实数据还是来自生成器生成的假数 据。实现生成器和判决器的同步训练。
为了训练这一生成对抗网络,首先要优化判决器,在给定生成器的情况 下,D(x)相当于真样本输入时的输出,期望结果最大,预测结果越接近1越 好。D(G(z))相当于输入假样本时的输出,期望结果越小越好,即D(G(z))越小 越好,预测结果越接近0越好。但是D(x)越大与D(G(z))越小矛盾,因而把 D(G(z))改为求1-D(G(z))越大越好,合起来就是求下式(1)越大越好。
其次,我们优化生成器,这时候输入随机变量,输出假样本。希望假样 本D(G(z))越大越好,1-D(G(z))越小越好,如下式(2)所示:
合并(1)式和(2)为下式(3)即最大最小化目标函数。
基于生成对抗网络的航天异常事件检测主要由正反两个生成对抗网络 和检测器组成,结构如下图2所示。正生成对抗网络由正生成器和判决器组 成,先训练判决器对事件是来自输入事件x还是来自正生成器生成事件Gn(z) 的判决能力。随后训练正生成器对输入随机变量z生成模拟事件Gn(z)的能 力,系统不断迭代,循环训练,持续提高生成器的事件生成能力和判决器的 判决能力。
反生成对抗网络由反生成器和判决器组成。反生成器利用拒绝抽样原 理,最大可能生成不是输入的正常事件,即努力模拟异常事件。先训练判决 器对事件是来自输入事件x还是来自反生成器生成事件Ga(z)的判决能力。随 后训练反生成器对输入随机变量z生成模拟异常事件Ga(z)的能力,系统不断 迭代,循环训练,持续提高生成器的事件生成能力和判决器的判决能力。
测试时,主要通过检测器,计算输入事件z与正生成器生成的模拟正常 事件Gn(z),以及与反生成器生成的模拟异常事件Ga(z)的重构误差,计算异常 事件分值,设置合理的阈值,将分值高的事件作为异常事件检出。
该方法不仅能应用于航天领域,还可以应用于其它领域进行异常事件检 测。也可实现基于生成对抗网络的异常事件检测。至此,实现了基于GAN 的航天异常事件检测。
本发明的方案与现有方案比,主要优点在于:拓展了生成对抗网络的应 用范围,用于航天异常事件检测,在输入正常事件时,生成器不仅能模拟正 常事件样本分布,还能模拟异常事件样本分布。为预防航天事故,尽早发现 可能导致故障的异常事件提供了一种全新手段,与基于变分自动编码器(简 称VAE)的异常检测指标相比,有明显的性能提升。同时计算简便,有利于 工程化实现。
附图表说明
图1生成对抗网络原理框图。
图2基于生成对抗网络的航天异常事件检测方法结构图。
图3具体实施方案图。
图4基于生成对抗网络的航天异常事件检测性能表
图5基于生成对抗网络的航天异常事件检测部分性能与VAE方法性能 比较表。
具体实施方案
本发明的实施对象是基于GAN作为异常事件检测的航天器,在大数据 条件下,生成对抗网络的事件分布学习和重构能力使预防航天事故,尽早发 现可能导致故障的异常事件成为可能。
本发明的具体实施方案如下图3所示,具体实施步骤如下:
(1)考虑航天异常事件检测,使用正生成对抗网络进行模拟生成正常 事件样本训练
输入正常事件进行正生成对抗网络训练:
输入正常事件样本{x(1),······,x(N)}
输入随机变量样本{z(1),······,z(N)}
更新参数使判决器随梯度上升方向优化:
更新参数使正生成器随剃度下降方向优化:
其中,Dn代表判决器,Gn代表正生成器,Θd代表判决器参数,是自变 量,Dn(x(i))代表判决器输入x(i)时的输出,Gn(z(i))代表正生成器的输出, Dn(Gn(z(i)))代表输入为正生成器的输出时,判决器的输出,V(Dn,Gn,Θd)代表随 判决器、正生成器参数变化的函数,是因变量,也是我们要优化的目标函数, 是对目标函数V(Dn,Gn,Θd)自变量Θd求偏导数(梯度) 代表目标函数在某一点随自变量Θd正方向的变化 率,η是学习因子,调整梯度变化的大小;Θg代表正生成器参数,是自变量, V(Dn,Gn,Θg)代表随判决器、正生成器参数变化的函数,是因变量,也是我们 要优化的目标函数,是对目标函数V(Dn,Gn,Θg)自变量Θg求偏导数 (梯度)代表目标函数在某一点随自变量Θg正方 向的变化率;
(2)考虑航天异常事件检测,使用反生成对抗网络进行模拟生成异常 事件样本训练
输入正常事件进行反生成对抗网络训练:
输入正常事件样本{x(1),······,x(N)}
输入随机变量样本{z(1),······,z(N)}
更新参数使判决器随梯度上升方向优化:
更新参数使反生成器随剃度下降方向优化:
其中,Da代表判决器,Ga代表反生成器,Θd代表判决器参数,是自变 量,Da(x(i))代表判决器输入x(i)时的输出,Ga(z(i))代表反生成器的输出, Da(Ga(z(i)))代表输入为反生成器的输出时,判决器的输出,V(Da,Ga,Θd)代表随 判决器、反生成器参数变化的函数,是因变量,也是我们要优化的目标函数, 是对目标函数V(Da,Ga,Θd)自变量Θd求偏导数(梯度) 代表目标函数在某一点随自变量Θd正方向的变化 率,η是学习因子,调整梯度变化的大小;Θg代表反生成器参数,是自变量, V(Da,Ga,Θg)代表随判决器、反生成器参数变化的函数,是因变量,也是我们 要优化的目标函数,是对目标函数V(Da,Ga,Θg)自变量Θg求偏导数 (梯度)代表目标函数在某一点随自变量Θg正方 向的变化率;
(3)航天异常事件检测
采用检测器计算异常分A(x,Θ):
输入测试事件样本{x(1),······,x(N)}
输入随机变量样本{z(1),······,z(N)}
计算输入向量与模拟正常事件误差An(x,Θ):
An(x,Θ)=||x-Gn(z)||2
计算输入向量与模拟异常事件误差Aa(x,Θ):
Aa(x,Θ)=||x-Ga(z)||2
计算异常分A(x,Θ):
A(x,Θ)=An(x,Θ)-Aa(x,Θ)
如果异常分大于门限阈值φ,结果判为异常事件检出,否则判为正常事 件。
为验证该测量方法的效果,利用本发明所提出的异常检测方法进行试验 验证,我们用tensorflow语言编写航天异常事件检测试验验证程序,采用美 国国家标准与技术研究所数据集(简称MNIST)进行测试。MNIST由训练集 和测试集组成:训练集由来自250个不同人手写的数字构成,其中50%来自 高中学生,50%来自人口普查局的工作人员。测试集也是同样比例的手写数 字。
我们从MNIST中生成10个不同数字的数据集,将其中一个数字的出现 作为异常事件,其余9个数字的出现作为正常事件。训练集由80%的正常事 件组成,测试集由剩余20%的正常事件和所有异常事件组成。试验部分性能 结果如图4所示。
其中精确率(Precision,简称P):P=TP/(TP+FP)。就是预测正确的正例 数据占预测为正例数据的比例。
召回率(Recall,简称R):R=TP/(TP+FN)。就是预测为正例的数据占实 际为正例数据的比例。
F1值是由于在实际应用中精确率与召回率这两个指标是相互制约的, 我们通常会根据任务需要选择一个合适的度,寻求在召回率和精确率中间的 一个平衡点。定义为:F1=2*P*R/(P+R)。
虚警率(False Alarm,简称FA):FA=FP/(TP+FP)。反映被判为正例样本 中,有多少个是负例,即被误判为异常事件的概率。
接受器工作特性曲线下面积(简称AUC)是以假正率(简称FPR)为横坐 标,这里FPR=FP/(FP+TN)),召回率为纵坐标绘制的曲线下的面积,是反映 接受器工作特征的综合指标,面积越大,性能越好。
精确率_召回率曲线(简称PRC)是以召回率为横轴,精确率为纵轴的曲 线下的面积。面积越大,性能越好。
通过上述试验结果可以看出,本发明提出的方法,在保证生成对抗网络 正常收敛的情况下,提高了异常事件检测的性能和效率。我们提出发明的 F1和PRC测试指标,与基于变分自动编码器(简称VAE)异常检测方法部分 指标相比,有明显的性能提升。其中最好的F1值提升了273%,最差的提升 了31%,最好的PRC性能提升了770%,最差的也提升了11%。与VAE方 法性能比较结果如图5所示。试验结果表明本发明提出的方法能很好地检出未出现过,难以准确观察定义的航天异常事件,可事前发现可能导致故障的 异常事件,预防航天事故,且计算简单,易于工程化实现。
本发明书中未作详细描述的内容属于本领域专业技术人员公知的现有 技术。
Claims (2)
1.一种基于生成对抗网络的航天异常事件检测方法,其特征在于:利用正生成对抗网络模拟生成正常事件样本,同时利用反生成对抗网络模拟生成异常事件样本,具体包括以下步骤:
(1)考虑航天异常事件检测,使用正生成对抗网络进行模拟生成正常事件样本训练
输入正常事件进行正生成对抗网络训练:
输入正常事件样本{x(1),······,x(N)}
输入随机变量样本{z(1),······,z(N)}
更新参数使判决器随梯度上升方向优化:
Θd←Θd+η▽V(Dn,Gn,Θd)
更新参数使正生成器随剃度下降方向优化:
Θg←Θg-η▽V(Dn,Gn,Θg)
其中,Dn代表判决器,Gn代表正生成器,Θd代表判决器参数,是自变量,Dn(x(i))代表判决器输入x(i)时的输出,Gn(z(i))代表正生成器的输出,Dn(Gn(z(i)))代表输入为正生成器的输出时,判决器的输出,V(Dn,Gn,Θd)代表随判决器、正生成器参数变化的函数,是因变量,也是要优化的目标函数,▽V(Dn,Gn,Θd)是对目标函数V(Dn,Gn,Θd)自变量Θd求偏导数代表目标函数在某一点随自变量Θd正方向的变化率,η是学习因子,调整梯度变化的大小;Θg代表正生成器参数,是自变量,V(Dn,Gn,Θg)代表随判决器、正生成器参数变化的函数,是因变量,也是要优化的目标函数;▽V(Dn,Gn,Θg)是对目标函数V(Dn,Gn,Θg)自变量Θg求偏导数代表目标函数在某一点随自变量Θg正方向的变化率;
(2)考虑航天异常事件检测,使用反生成对抗网络进行模拟生成异常事件样本训练
输入正常事件进行反生成对抗网络训练:
输入正常事件样本{x(1),······,x(N)}
输入随机变量样本{z(1),······,z(N)}
更新参数使判决器随梯度上升方向优化:
Θd←Θd+η▽V(Da,Ga,Θd)
更新参数使反生成器随剃度下降方向优化:
Θg←Θg-η▽V(Da,Ga,Θg)
其中,Da代表判决器,Ga代表反生成器,Da(x(i))代表判决器输入x(i)时的输出,Ga(z(i))代表反生成器的输出,Da(Ga(z(i)))代表输入为反生成器的输出时,判决器的输出,V(Da,Ga,Θd)代表随判决器、反生成器参数变化的函数,是因变量,也是待优化的目标函数,▽V(Da,Ga,Θd)是对目标函数V(Da,Ga,Θd)自变量Θd求偏导数代表目标函数在某一点随自变量Θd正方向的变化率;V(Da,Ga,Θg)代表随判决器、反生成器参数变化的函数,是因变量,也是待优化的目标函数,▽V(Da,Ga,Θg)是对目标函数V(Da,Ga,Θg)自变量Θg求偏导数代表目标函数在某一点随自变量Θg正方向的变化率;
(3)航天异常事件检测
采用检测器计算异常分A(x,Θ):
输入测试事件样本{x(1),······,x(N)}
输入随机变量样本{z(1),······,z(N)}
计算输入向量与模拟正常事件误差An(x,Θ):
An(x,Θ)=||x-Gn(z)||2
计算输入向量与模拟异常事件误差Aa(x,Θ):
Aa(x,Θ)=||x-Ga(z)||2
计算异常分A(x,Θ):
A(x,Θ)=An(x,Θ)-Aa(x,Θ)
如果异常分大于门限阈值φ,结果判为异常事件检出,否则判为正常事件。
2.根据权利要求1所述的一种基于反生成对抗网络的航天异常事件检测方法,其特征在于:利用生成对抗和拒绝抽样原理,输入正常事件,训练反生成器生成模拟异常事件样本,具体包括以下步骤:
(1)考虑航天异常事件检测,对反生成对抗网络的判决器进行训练:
输入正常事件样本{x(1),······,x(N)}
输入随机变量样本{z(1),······,z(N)}
更新参数使判决器随梯度上升方向优化:
Θd←Θd+η▽V(Da,Ga,Θd)
其中,梯度上升就是沿着梯度变化最快的正方向,故求偏导确定大小后相加;
(2)考虑航天异常事件检测,对反生成对抗网络的反生成器进行训练:
输入正常事件样本{x(1),······,x(N)}
输入随机变量样本{z(1),······,z(N)}
更新参数使反生成器随剃度下降方向优化:
Θg←Θg-η▽V(Da,Ga,Θg)
其中,梯度下降就是沿着梯度变化最快的反方向,故求偏导确定大小后相减。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811319172.XA CN109447263B (zh) | 2018-11-07 | 2018-11-07 | 一种基于生成对抗网络的航天异常事件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811319172.XA CN109447263B (zh) | 2018-11-07 | 2018-11-07 | 一种基于生成对抗网络的航天异常事件检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447263A true CN109447263A (zh) | 2019-03-08 |
CN109447263B CN109447263B (zh) | 2021-07-30 |
Family
ID=65551439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811319172.XA Active CN109447263B (zh) | 2018-11-07 | 2018-11-07 | 一种基于生成对抗网络的航天异常事件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447263B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059894A (zh) * | 2019-04-30 | 2019-07-26 | 无锡雪浪数制科技有限公司 | 设备状态评估方法、装置、系统及存储介质 |
CN110070895A (zh) * | 2019-03-11 | 2019-07-30 | 江苏大学 | 一种基于监督变分编码器因素分解的混合声音事件检测方法 |
CN110147323A (zh) * | 2019-04-24 | 2019-08-20 | 北京百度网讯科技有限公司 | 一种基于生成对抗网络的变更智能检查方法及装置 |
CN110213788A (zh) * | 2019-06-15 | 2019-09-06 | 福州大学 | 基于数据流时空特征的wsn异常检测及类型识别方法 |
CN110458039A (zh) * | 2019-07-19 | 2019-11-15 | 华中科技大学 | 一种工业过程故障诊断模型的构建方法及其应用 |
CN110705693A (zh) * | 2019-09-26 | 2020-01-17 | 北航(四川)西部国际创新港科技有限公司 | 一种无人机异常行为识别模块及其识别方法 |
CN111340214A (zh) * | 2020-02-21 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 对抗攻击模型的训练方法及装置 |
CN111382785A (zh) * | 2020-03-04 | 2020-07-07 | 武汉精立电子技术有限公司 | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 |
CN111523666A (zh) * | 2020-04-24 | 2020-08-11 | 博雅创智(天津)科技有限公司 | 基于生成对抗网络算法的网络行为分析诊断准确率提升方法 |
WO2020181962A1 (zh) * | 2019-03-13 | 2020-09-17 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法及系统 |
CN112307343A (zh) * | 2020-11-05 | 2021-02-02 | 重庆邮电大学 | 基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法 |
CN112529109A (zh) * | 2020-12-29 | 2021-03-19 | 四川长虹电器股份有限公司 | 一种基于无监督多模型的异常检测方法及系统 |
CN112991579A (zh) * | 2021-01-14 | 2021-06-18 | 北京航空航天大学 | 一种基于生成对抗网络的直升机动部件异常检测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384092A (zh) * | 2016-09-11 | 2017-02-08 | 杭州电子科技大学 | 面向监控场景的在线低秩异常视频事件检测方法 |
CN107293289A (zh) * | 2017-06-13 | 2017-10-24 | 南京医科大学 | 一种基于深度卷积生成对抗网络的语音生成方法 |
CN107358195A (zh) * | 2017-07-11 | 2017-11-17 | 成都考拉悠然科技有限公司 | 基于重建误差的非特定异常事件检测及定位方法、计算机 |
US20170338112A1 (en) * | 2015-02-23 | 2017-11-23 | Mitsubishi Chemical Corporation | C-PLANE GaN SUBSTRATE |
CN108229349A (zh) * | 2017-12-21 | 2018-06-29 | 中国科学院自动化研究所 | 网纹人脸图像识别装置 |
CN108268638A (zh) * | 2018-01-18 | 2018-07-10 | 浙江工业大学 | 一种基于Spark框架的生成对抗网络分布式实现方法 |
US20180293734A1 (en) * | 2017-04-06 | 2018-10-11 | General Electric Company | Visual anomaly detection system |
-
2018
- 2018-11-07 CN CN201811319172.XA patent/CN109447263B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170338112A1 (en) * | 2015-02-23 | 2017-11-23 | Mitsubishi Chemical Corporation | C-PLANE GaN SUBSTRATE |
CN106384092A (zh) * | 2016-09-11 | 2017-02-08 | 杭州电子科技大学 | 面向监控场景的在线低秩异常视频事件检测方法 |
US20180293734A1 (en) * | 2017-04-06 | 2018-10-11 | General Electric Company | Visual anomaly detection system |
CN107293289A (zh) * | 2017-06-13 | 2017-10-24 | 南京医科大学 | 一种基于深度卷积生成对抗网络的语音生成方法 |
CN107358195A (zh) * | 2017-07-11 | 2017-11-17 | 成都考拉悠然科技有限公司 | 基于重建误差的非特定异常事件检测及定位方法、计算机 |
CN108229349A (zh) * | 2017-12-21 | 2018-06-29 | 中国科学院自动化研究所 | 网纹人脸图像识别装置 |
CN108268638A (zh) * | 2018-01-18 | 2018-07-10 | 浙江工业大学 | 一种基于Spark框架的生成对抗网络分布式实现方法 |
Non-Patent Citations (4)
Title |
---|
DANIEL MICHELSANTI: "Conditional Generative Adversarial Networks for Speech Enhancement and Noise-Robust Speaker", 《INTERSPEECH. STOCKHOLM, SWEDEN: INTERSPEECH2017》 * |
张龙: "协作式生成对抗网络", 《自动化学报》 * |
王嘉轶: "航天器故障诊断技术的研究现状与进展", 《航空兵器》 * |
王坤峰: "生成式对抗网络GAN的研究进展与展望", 《自动化学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070895A (zh) * | 2019-03-11 | 2019-07-30 | 江苏大学 | 一种基于监督变分编码器因素分解的混合声音事件检测方法 |
WO2020181962A1 (zh) * | 2019-03-13 | 2020-09-17 | 南京航空航天大学 | 一种对抗网络自编码器的卫星异常检测方法及系统 |
CN110147323A (zh) * | 2019-04-24 | 2019-08-20 | 北京百度网讯科技有限公司 | 一种基于生成对抗网络的变更智能检查方法及装置 |
CN110059894A (zh) * | 2019-04-30 | 2019-07-26 | 无锡雪浪数制科技有限公司 | 设备状态评估方法、装置、系统及存储介质 |
CN110213788A (zh) * | 2019-06-15 | 2019-09-06 | 福州大学 | 基于数据流时空特征的wsn异常检测及类型识别方法 |
CN110458039A (zh) * | 2019-07-19 | 2019-11-15 | 华中科技大学 | 一种工业过程故障诊断模型的构建方法及其应用 |
CN110705693A (zh) * | 2019-09-26 | 2020-01-17 | 北航(四川)西部国际创新港科技有限公司 | 一种无人机异常行为识别模块及其识别方法 |
CN111340214A (zh) * | 2020-02-21 | 2020-06-26 | 腾讯科技(深圳)有限公司 | 对抗攻击模型的训练方法及装置 |
CN111382785A (zh) * | 2020-03-04 | 2020-07-07 | 武汉精立电子技术有限公司 | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 |
CN111382785B (zh) * | 2020-03-04 | 2023-09-01 | 武汉精立电子技术有限公司 | 一种gan网络模型及实现样本自动清洗、辅助标记的方法 |
CN111523666A (zh) * | 2020-04-24 | 2020-08-11 | 博雅创智(天津)科技有限公司 | 基于生成对抗网络算法的网络行为分析诊断准确率提升方法 |
CN112307343A (zh) * | 2020-11-05 | 2021-02-02 | 重庆邮电大学 | 基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法 |
CN112307343B (zh) * | 2020-11-05 | 2023-04-07 | 重庆邮电大学 | 基于双层迭代补偿和全貌表示的跨电商书城用户对齐方法 |
CN112529109A (zh) * | 2020-12-29 | 2021-03-19 | 四川长虹电器股份有限公司 | 一种基于无监督多模型的异常检测方法及系统 |
CN112991579A (zh) * | 2021-01-14 | 2021-06-18 | 北京航空航天大学 | 一种基于生成对抗网络的直升机动部件异常检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109447263B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447263A (zh) | 一种基于生成对抗网络的航天异常事件检测方法 | |
De Weerdt et al. | A robust F-measure for evaluating discovered process models | |
CN106407649B (zh) | 基于时间递归神经网络的微震信号到时自动拾取方法 | |
Cochran et al. | Earthquake early warning ShakeAlert system: Testing and certification platform | |
CN102122133B (zh) | 自适应小波神经网络异常检测故障诊断分类系统及方法 | |
Zhang et al. | An automatic recognition method of microseismic signals based on EEMD-SVD and ELM | |
CN109444682A (zh) | 基于多信息融合的开关柜局部放电诊断系统的构建方法 | |
CN111447212A (zh) | 一种基于gan的apt攻击序列的生成与检测方法 | |
CN111814699B (zh) | 一种面向swarm电磁卫星数据的深度学习地震预测方法 | |
CN108833409A (zh) | 基于深度学习和半监督学习的webshell检测方法及装置 | |
CN105893208A (zh) | 基于隐半马尔可夫模型的云计算平台系统故障预测方法 | |
CN108197575A (zh) | 一种基于目标检测和骨点检测的异常行为识别方法及装置 | |
Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
CN115310361B (zh) | 基于wgan-cnn煤矿井下粉尘浓度预测方法和系统 | |
CN104986347A (zh) | 一种民机航线飞行员操作差错的实时检测方法 | |
CN110533007A (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
Li et al. | Automatic recognition and classification of microseismic waveforms based on computer vision | |
CN116341272A (zh) | 一种用于配网工程数字化的施工安全风险管控系统 | |
Ducoffe et al. | Anomaly detection on time series with Wasserstein GAN applied to PHM | |
Hsu et al. | Two novel approaches to reduce false alarm due to non‐earthquake events for on‐site earthquake early warning system | |
WO2018095069A1 (zh) | 安检模拟培训装置、方法及系统 | |
CN107132515A (zh) | 一种基于多维信息约束的点迹筛选方法 | |
CN108037529B (zh) | 一种基于初始振动信号的地震事件快速识别方法 | |
Jia et al. | A novel fault detection model based on atanassov’s interval-valued intuitionistic fuzzy sets, belief rule base and evidential reasoning | |
CN106251861A (zh) | 一种基于场景建模的公共场所异常声音检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20221111 Address after: 101416 No.1 Bayi Road, Huairou District, Beijing Patentee after: Strategic Support Force Space Engineering University of PLA Address before: 101416 No.1 Bayi Road, Huairou District, Beijing Patentee before: Ren Yuan |
|
TR01 | Transfer of patent right |