CN111008692A - 基于改进生成对抗网络的多能计量特征数据生成方法及装置 - Google Patents
基于改进生成对抗网络的多能计量特征数据生成方法及装置 Download PDFInfo
- Publication number
- CN111008692A CN111008692A CN201911086794.7A CN201911086794A CN111008692A CN 111008692 A CN111008692 A CN 111008692A CN 201911086794 A CN201911086794 A CN 201911086794A CN 111008692 A CN111008692 A CN 111008692A
- Authority
- CN
- China
- Prior art keywords
- network
- data
- energy metering
- generation
- discrimination
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 36
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 11
- 230000006872 improvement Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于改进生成对抗网络的多能计量特征数据生成方法及装置，其技术特点在于：包括以下步骤：步骤1、利用卷积神经网络构成生成网络和判别网络，在判别网路的损失函数中引入梯度惩罚机制，训练产生多能计量数据的改进型生成对抗网络；步骤2、使用训练好的改进型生成对抗网络获得满足原数据分布关系的新多能计量数据。本发明能够在准确生成具有多能计量特征的数据、减少对数据特征的依赖的同时提高神经网络训练的速度和稳定性。
Description
技术领域
本发明属于非监督深度学习技术和计量数据处理技术领域，涉及在计量特征数据生成应用中，通过改进型生成对抗网络生成综合能源计量特征数据，尤其是一种基于改进生成对抗网络的多能计量特征数据生成方法及装置。
背景技术
随着泛在电力物联网建设的推进，对支撑营销业务发展的客户侧能源计量提出新的要求，非电计量的种类变的更为多样，电能计量正在向着综合能源计量进行转变。随着各类新兴能源计量业务的不断发展，对系统级模拟仿真建设提出迫切需求，当前缺少大规模、系统级、复杂环境、多信道融合的仿真环境。
为进一步推动我国智慧能源服务体系建设，亟需构建全面高效、准确可靠的综合能源计量仿真系统，实现对各种场景的真实还原，有效支撑各类能源计量新技术的探索研究及推广实施。而构建综合能源计量仿真系统的基础是准确生成具有多能计量特征的数据。
目前，现有的数据生成方法主要为基于规则的数据生成方法和生成对抗网络方法。其中，基于规则的数据生成方法是基于工作人员的经验对需要生成的数据进行定性描述，基于描述的规则生成数据。但基于规则的方法对工作人员的要求较高，且大部分数据规则难以直接描述。
生成对抗网络方法(generative adversarial networks，GAN)应用较多，但是传统的GAN存在训练不稳定的问题，且难以处理离散数据的生成，最近提出的基于瓦瑟斯坦距离的GAN有效提高了训练时的稳定性，但有时仍然只能生成质量较差的数据或在训练时发生梯度消失或梯度爆炸导致无法收敛。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于改进生成对抗网络的多能计量特征数据生成方法，能够在准确生成具有多能计量特征的数据、减少对数据特征的依赖的同时提高神经网络训练的速度和稳定性。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于改进生成对抗网络的多能计量特征数据生成方法，包括以下步骤：
步骤1、利用卷积神经网络构成生成网络和判别网络，在判别网路的损失函数中引入梯度惩罚机制，训练产生多能计量数据的改进型生成对抗网络；
步骤2、使用训练好的改进型生成对抗网络获得满足原数据分布关系的新多能计量数据。
而且，在所述步骤1之前还包括对计量数据预处理的步骤，具体方法为：对多源计量样本数据及包含噪声数据的训练数分别进行层归一化，并且将处理过的数据分别输入生成判别网络和生成网络。
而且，所述对多源计量样本数据及包含噪声数据的训练数分别进行层归一化，并且将处理过的数据分别输入生成判别网络和生成网络的具体步骤包括：
(1)对输入某层神经网络的计量数据求和并除以该层神经元个数等到平均值μl：
(2)然后根据如下公式求得标准差σl：
(3)最后用输入到第i个神经元的计量值
减去μl再除以σl得到层归一化计量数据
并且将处理过的计量数据输入改进的生成对抗网络，其计算公式为；
式中，l为某层神经网络，H为每层中隐藏神经元的个数。
而且，所述步骤2的具体步骤包括：
(1)利用卷积神经网络构成包含多能计量数据特征的数据的生成网络；
(2)利用卷积神经网络构成判别网络，并将生成网络和判别网络进行零和博弈，使得卷积神经网络学到数据之间的映射关系，当判别网络判断生成网络产生的数据与样本数据一致时，则训练完毕；
(3)在判别网路的损失函数中引入梯度惩罚机制，使得生成网络和判别网络的损失函数如式(4)、(5)所示，并对卷积神经网络进行训练，获得已经学得样本数据特征的多能计量数据的改进型生成对抗网络；
式中，L(G)为生成网络的损失函数，
为生成网络生成的数据，Pg为
的分布，D(～)为判别网络的输出，E为期望分布，L(D)为判别网络的损失函数，x为样本数据(多能计量数据)，Pr为x的分布，λ为惩罚系数，取值为10的训练效果较好；
ε为0-1的随机数；
为
的分布。
一种基于改进生成对抗网络的多能计量特征数据生成装置，包括：
改进型生成对抗网络训练模块，用于利用卷积神经网络构成生成网络和判别网络，在判别网路的损失函数中引入梯度惩罚机制，训练产生多能计量数据的改进型生成对抗网络；
多能计量数据模块，用于使用训练好的改进型生成对抗网络获得满足原数据分布关系的新多能计量数据。
而且，所述基于改进生成对抗网络的多能计量特征数据生成装置还包括：计量数据预处理模块，用于对多源计量样本数据及包含噪声数据的训练数分别进行层归一化，并且将处理过的数据分别输入生成判别网络和生成网络；
而且，所述计量数据预处理模块包括：
(1)首先对输入某层神经网络的计量数据求和并除以该层神经元个数等到平均值μl：
(2)然后求得标准差σl：
(3)最后用输入到第i个神经元的计量值
减去μl再除以σl得到层归一化计量数据
并且将处理过的计量数据输入改进的生成对抗网络，其计算公式为；
式中，l为某层神经网络，H为每层中隐藏神经元的个数。
而且，所述改进型生成对抗网络训练模块包括：
(1)利用卷积神经网络构成包含多能计量数据特征的数据的生成网络；
(2)利用卷积神经网络构成判别网络，并将生成网络和判别网络进行零和博弈，使得卷积神经网络学到数据之间的映射关系，当判别网络判断生成网络产生的数据与样本数据一致时，则训练完毕；
(3)在判别网路的损失函数中引入梯度惩罚机制，使得生成网络和判别网络的损失函数如式(4)、(5)所示，并对卷积神经网络进行训练，获得已经学得样本数据特征的多能计量数据的改进型生成对抗网络；
式中，L(G)为生成网络的损失函数，
为生成网络生成的数据，Pg为
的分布，D(～)为判别网络的输出，E为期望分布，L(D)为判别网络的损失函数，x为样本数据(多能计量数据)，Pr为x的分布，λ为惩罚系数，取值为10的训练效果较好；
ε为0-1的随机数；
为
的分布。
本发明的优点和积极效果是：
1、本发明基于改进的瓦瑟斯坦生成对抗网络生成多能计量特征数据，依次经过(1)计量数据预处理：对计量数据进行层归一化，并且将处理过的计量数据输入改进的生成对抗网络；(2)训练产生多能计量数据的生成对抗网络，在判别网路的损失函数中引入梯度惩罚机制；(3)使用训练好的生成对抗网络获得满足原数据分布关系的新多能计量数据的处理流程，避免了传统数据生成方法对数据特征的依赖，并提高神经网络训练的速度和稳定性。
2、本发明通过卷积神经网络生成包含多能计量数据的生成网络、判别网络和对抗网络，避免了传统数据生成方法对数据特征的依赖。
3、本发明通过对输入生成对抗网络的计量数据进行层归一化处理，提高生成对抗网络训练的速度。
4、本发明通过在判断网络的损失函数中引入梯度惩罚机制，可以使得训练过程更加稳定，避免梯度消失和梯度爆炸情况的发生。
附图说明
图1是本发明的处理流程图。
具体实施方式
以下结合附图对本发明实施例作进一步详述：
一种基于改进生成对抗网络的多能计量特征数据生成方法，如图1所示，包括以下步骤：
步骤1、计量数据预处理：对多源计量样本数据及包含噪声数据的训练数分别进行层归一化，并且将处理过的数据分别输入生成判别网络和生成网络；
由于描述不同能源计量的典型环境和运行工况的属性多样，属性值范围各异,为了提高生成对抗网络的训练速度，需要采用层归一化法对数据进行归一化处理，并且将处理过的计量数据输入生成对抗网络。
所述步骤1的具体方法为：
对输入某层神经网络的计量数据求和并除以该层神经元个数等到平均值μl，然后求得标准差σl，用输入到第i个神经元的计量值
减去μl再除以σl得到层归一化计量数据
并且将处理过的计量数据输入改进的生成对抗网络，其计算公式如式(1)-(3)所示；
式中，l为某层神经网络，H为每层中隐藏神经元的个数。
步骤2、利用卷积神经网络构成生成网络和判别网络，在判别网路的损失函数中引入梯度惩罚机制，训练产生多能计量数据的改进型生成对抗网络；
如图1所示，所述步骤2的具体步骤包括：
(1)利用卷积神经网络构成包含多能计量数据特征的数据的生成网络；
(2)利用卷积神经网络构成判别网络，并将生成网络和判别网络进行零和博弈，使得卷积神经网络学到数据之间的映射关系，当判别网络判断生成网络产生的数据与样本数据一致时，则训练完毕；
(3)为了避免产生不稳定的情况即发生梯度消失和梯度爆炸，在判别网路的损失函数中引入梯度惩罚机制，使得生成网络和判别网络的损失函数如式(4)、(5)所示，并对卷积神经网络进行训练，获得已经学得样本数据特征的多能计量数据的改进型生成对抗网络；
式中，L(G)为生成网络的损失函数，
为生成网络生成的数据，Pg为
的分布，D(～)为判别网络的输出，E为期望分布，L(D)为判别网络的损失函数，x为样本数据(多能计量数据)，Pr为x的分布，λ为惩罚系数，取值为10的训练效果较好；
ε为0-1的随机数；
为
的分布。
步骤3、使用训练好的改进型生成对抗网络获得满足原数据分布关系的新多能计量数据。
一种基于改进生成对抗网络的多能计量特征数据生成装置，包括：
计量数据预处理模块，用于对多源计量样本数据及包含噪声数据的训练数分别进行层归一化，并且将处理过的数据分别输入生成判别网络和生成网络；
改进型生成对抗网络训练模块，用于利用卷积神经网络构成生成网络和判别网络，在判别网路的损失函数中引入梯度惩罚机制，训练产生多能计量数据的改进型生成对抗网络；
多能计量数据模块，用于使用训练好的改进型生成对抗网络获得满足原数据分布关系的新多能计量数据。
所述计量数据预处理模块包括：
对输入某层神经网络的计量数据求和并除以该层神经元个数等到平均值μl，然后求得标准差σl，用输入到第i个神经元的计量值
减去μl再除以σl得到层归一化计量数据
并且将处理过的计量数据输入改进的生成对抗网络，其计算公式如式(1)-(3)所示；
式中，l为某层神经网络，H为每层中隐藏神经元的个数。
所述改进型生成对抗网络训练模块包括：
(1)利用卷积神经网络构成包含多能计量数据特征的数据的生成网络；
(2)利用卷积神经网络构成判别网络，并将生成网络和判别网络进行零和博弈，使得卷积神经网络学到数据之间的映射关系，当判别网络判断生成网络产生的数据与样本数据一致时，则训练完毕；
(3)在判别网路的损失函数中引入梯度惩罚机制，使得生成网络和判别网络的损失函数如式(4)、(5)所示，并对卷积神经网络进行训练，获得已经学得样本数据特征的多能计量数据的改进型生成对抗网络；
式中，L(G)为生成网络的损失函数，
为生成网络生成的数据，Pg为
的分布，D(～)为判别网络的输出，E为期望分布，L(D)为判别网络的损失函数，x为样本数据(多能计量数据)，Pr为x的分布，λ为惩罚系数，取值为10的训练效果较好；
ε为0-1的随机数；
为
的分布。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于改进生成对抗网络的多能计量特征数据生成方法，其特征在于：包括以下步骤：
步骤1、利用卷积神经网络构成生成网络和判别网络，在判别网路的损失函数中引入梯度惩罚机制，训练产生多能计量数据的改进型生成对抗网络；
步骤2、使用训练好的改进型生成对抗网络获得满足原数据分布关系的新多能计量数据。
2.根据权利要求1所述的一种基于改进生成对抗网络的多能计量特征数据生成方法，其特征在于：在所述步骤1之前还包括对计量数据预处理的步骤，具体方法为：对多源计量样本数据及包含噪声数据的训练数分别进行层归一化，并且将处理过的数据分别输入生成判别网络和生成网络。
3.根据权利要求2所述的一种基于改进生成对抗网络的多能计量特征数据生成方法，其特征在于：所述对多源计量样本数据及包含噪声数据的训练数分别进行层归一化，并且将处理过的数据分别输入生成判别网络和生成网络的具体步骤包括：
(1)对输入某层神经网络的计量数据求和并除以该层神经元个数等到平均值μl：
(2)然后根据如下公式求得标准差σl：
(3)最后用输入到第i个神经元的计量值
减去μl再除以σl得到层归一化计量数据
并且将处理过的计量数据输入改进的生成对抗网络，其计算公式为；
式中，l为某层神经网络，H为每层中隐藏神经元的个数。
4.根据权利要求1所述的一种基于改进生成对抗网络的多能计量特征数据生成方法，其特征在于：所述步骤1的具体步骤包括：
(1)利用卷积神经网络构成包含多能计量数据特征的数据的生成网络；
(2)利用卷积神经网络构成判别网络，并将生成网络和判别网络进行零和博弈，使得卷积神经网络学到数据之间的映射关系，当判别网络判断生成网络产生的数据与样本数据一致时，则训练完毕；
(3)在判别网路的损失函数中引入梯度惩罚机制，使得生成网络和判别网络的损失函数如式(4)、(5)所示，并对卷积神经网络进行训练，获得已经学得样本数据特征的多能计量数据的改进型生成对抗网络；
式中，L(G)为生成网络的损失函数，
为生成网络生成的数据，Pg为
的分布，D(～)为判别网络的输出，E为期望分布，L(D)为判别网络的损失函数，x为样本数据(多能计量数据)，Pr为x的分布，λ为惩罚系数，取值为10的训练效果较好；
ε为0-1的随机数；
为
的分布。
5.一种基于改进生成对抗网络的多能计量特征数据生成装置，其特征在于：包括：
改进型生成对抗网络训练模块，用于利用卷积神经网络构成生成网络和判别网络，在判别网路的损失函数中引入梯度惩罚机制，训练产生多能计量数据的改进型生成对抗网络；
多能计量数据模块，用于使用训练好的改进型生成对抗网络获得满足原数据分布关系的新多能计量数据。
6.根据权利要求5所述的一种基于改进生成对抗网络的多能计量特征数据生成装置，其特征在于：该基于改进生成对抗网络的多能计量特征数据生成装置还包括：计量数据预处理模块，用于对多源计量样本数据及包含噪声数据的训练数分别进行层归一化，并且将处理过的数据分别输入生成判别网络和生成网络。
7.根据权利要求6所述的一种基于改进生成对抗网络的多能计量特征数据生成装置，其特征在于：所述计量数据预处理模块包括：
(1)首先对输入某层神经网络的计量数据求和并除以该层神经元个数等到平均值μl：
(2)然后求得标准差σl：
(3)最后用输入到第i个神经元的计量值
减去μl再除以σl得到层归一化计量数据
并且将处理过的计量数据输入改进的生成对抗网络，其计算公式为；
式中，l为某层神经网络，H为每层中隐藏神经元的个数。
8.根据权利要求5所述的一种基于改进生成对抗网络的多能计量特征数据生成装置，其特征在于：所述改进型生成对抗网络训练模块包括：
(1)利用卷积神经网络构成包含多能计量数据特征的数据的生成网络；
(2)利用卷积神经网络构成判别网络，并将生成网络和判别网络进行零和博弈，使得卷积神经网络学到数据之间的映射关系，当判别网络判断生成网络产生的数据与样本数据一致时，则训练完毕；
(3)在判别网路的损失函数中引入梯度惩罚机制，使得生成网络和判别网络的损失函数如式(4)、(5)所示，并对卷积神经网络进行训练，获得已经学得样本数据特征的多能计量数据的改进型生成对抗网络；
式中，L(G)为生成网络的损失函数，
为生成网络生成的数据，Pg为
的分布，D(～)为判别网络的输出，E为期望分布，L(D)为判别网络的损失函数，x为样本数据(多能计量数据)，Pr为x的分布，λ为惩罚系数，取值为10的训练效果较好；
ε为0-1的随机数；
为
的分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911086794.7A CN111008692A (zh) | 2019-11-08 | 2019-11-08 | 基于改进生成对抗网络的多能计量特征数据生成方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911086794.7A CN111008692A (zh) | 2019-11-08 | 2019-11-08 | 基于改进生成对抗网络的多能计量特征数据生成方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111008692A true CN111008692A (zh) | 2020-04-14 |
Family
ID=70110931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911086794.7A Pending CN111008692A (zh) | 2019-11-08 | 2019-11-08 | 基于改进生成对抗网络的多能计量特征数据生成方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111008692A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465037A (zh) * | 2020-11-30 | 2021-03-09 | 深圳供电局有限公司 | 目标检测方法、装置、计算机设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447906A (zh) * | 2018-11-08 | 2019-03-08 | 北京印刷学院 | 一种基于生成对抗网络的图片合成方法 |
| WO2019091181A1 (zh) * | 2017-11-09 | 2019-05-16 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
| CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
| CN110189351A (zh) * | 2019-04-16 | 2019-08-30 | 浙江大学城市学院 | 一种基于生成式对抗网络的划痕图像数据扩增方法 |
-
2019
- 2019-11-08 CN CN201911086794.7A patent/CN111008692A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019091181A1 (zh) * | 2017-11-09 | 2019-05-16 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
| CN109447906A (zh) * | 2018-11-08 | 2019-03-08 | 北京印刷学院 | 一种基于生成对抗网络的图片合成方法 |
| CN109918999A (zh) * | 2019-01-22 | 2019-06-21 | 西安交通大学 | 一种小样本数据下基于生成模型的机械设备故障智能诊断方法 |
| CN110189351A (zh) * | 2019-04-16 | 2019-08-30 | 浙江大学城市学院 | 一种基于生成式对抗网络的划痕图像数据扩增方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465037A (zh) * | 2020-11-30 | 2021-03-09 | 深圳供电局有限公司 | 目标检测方法、装置、计算机设备及存储介质 |
| CN112465037B (zh) * | 2020-11-30 | 2023-12-19 | 深圳供电局有限公司 | 目标检测方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110212528B (zh) | 一种配电网量测数据缺失重构方法 | |
| CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
| Xiao et al. | Addressing Overfitting Problem in Deep Learning‐Based Solutions for Next Generation Data‐Driven Networks | |
| CN109359815A (zh) | 基于生成对抗网络的智能电网深度学习训练样本生成方法 | |
| CN112700326A (zh) | 一种基于灰狼算法优化bp神经网络的信贷违约预测方法 | |
| CN113688869A (zh) | 一种基于生成对抗网络的光伏数据缺失重构方法 | |
| CN114912357A (zh) | 基于用户模型学习的多任务强化学习用户运营方法及系统 | |
| CN118211268A (zh) | 基于扩散模型的异构联邦学习隐私保护方法及系统 | |
| CN116911169A (zh) | 一种基于bp神经网络的edfa测试参数预测方法 | |
| CN111008692A (zh) | 基于改进生成对抗网络的多能计量特征数据生成方法及装置 | |
| CN107798429B (zh) | 一种基于协同昂贵优化算法定位供水管网污染源的方法 | |
| CN111724277A (zh) | 一种新能源与多元负荷价值匹配方法及系统 | |
| CN111539508A (zh) | 基于改进灰狼算法的发电机励磁系统参数辨识算法 | |
| CN116843012A (zh) | 一种融合个性化上下文和时域动态特征的时序预测方法 | |
| CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
| CN113365282B (zh) | 一种wsn障碍性区域覆盖部署方法 | |
| CN113158088A (zh) | 一种基于图神经网络的位置推荐方法 | |
| CN112529637B (zh) | 基于情景感知的服务需求动态预测方法及系统 | |
| CN110852597B (zh) | 基于生成对抗网络的用电高峰时段居民负荷占比计算方法 | |
| Wang et al. | SFLA with PSO Local Search for detection sonar image | |
| CN111291464A (zh) | 一种电力系统动态等值方法及装置 | |
| CN112115509A (zh) | 一种数据生成方法及装置 | |
| CN110909254A (zh) | 基于深度学习模型针对问答社区进行问题热度预测的方法和系统 | |
| CN118467363A (zh) | 基于差分进化算法的并行程序基本路径覆盖测试 | |
| CN117435308B (zh) | 一种基于并行计算算法的Modelica模型仿真方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200414 |