CN112016597B - 一种机器学习中基于贝叶斯不平衡度量的深度采样方法 - Google Patents
一种机器学习中基于贝叶斯不平衡度量的深度采样方法 Download PDFInfo
- Publication number
- CN112016597B CN112016597B CN202010805545.5A CN202010805545A CN112016597B CN 112016597 B CN112016597 B CN 112016597B CN 202010805545 A CN202010805545 A CN 202010805545A CN 112016597 B CN112016597 B CN 112016597B
- Authority
- CN
- China
- Prior art keywords
- unbalance
- data set
- threshold
- sample
- samples
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种机器学习中基于贝叶斯不平衡度量的深度采样方法。首先利用贝叶斯不平衡度量,对多组数据集中少数样本的不平衡度和数据集的不平衡度进行准确表达;确定数据集的不平衡度后,设置多组阈值,在每组阈值下对样本不平衡度高于该阈值的样本进行过采样,通过分类算法测试各组阈值下数据集的分类性能,从而筛选出最优阈值;最后利用神经网络学习最优阈值与数据集不平衡度之间的映射关系,在对新数据集进行过采样时,利用该神经网络对阈值的设置进行指导,实现精确的定向合成。
Description
技术领域
本发明属于机器学习中不平衡学习领域,具体涉及一种机器学习中基于贝叶斯不平衡度量的深度采样方法。
背景技术
随着物联网技术的快速发展,物联网及其基础系统都面临着更多更复杂的挑战。对于设备异常或人为入侵的监测和识别,无论从难度和工作量来看,仅凭人力都已很难满足需求。所以开发有力的异常检测系统,利用机器学习算法来准确地检测异常并控制影响势在必行。
从数据的角度看,异常指数据中与大多数数据模式不一致的少数数据,而异常检测的工作就是通过算法找出这些数据。根据数据是否带有标签,机器学习算法可分为监督学习、半监督学习和无监督学习。监督学习将异常样本和正常样本分为正负类,使用大量有标签样本训练分类器。无监督学习对无标签样本进行学习。半监督学习则是两者的结合,通过少量有标签样本和大量无标签样本共同建模。值得注意的是,由于异常在实际应用中出现频率很低,所以无论对于哪类学习算法,异常检测数据集都只能提供少量正样本。这种正负样本比例相差极大的学习问题被称为不平衡学习,是目前机器学习中很受关注的一个分支。
面对这类不平衡的分类问题,传统的机器学习算法由于在假设类分布均匀的基础上设置学习代价,这可能导致模型向一方倾斜,最终使得对少数类的分类精度很低。在实际应用中,少数类的误分类代价可能极高。举例来说,假设电机状况监测系统收集到1000条正常数据(负类)和10条异常数据(正类),如果使用代价均衡的模型进行学习和分类,模型会倾向于将正类预测为负类,以获得较高的总体准确率。这种形式的误分类对应于对电机异常的漏检,如果电机发生故障却不能被及时发现,硬件和人员的安全都难以得到保障。而在医学诊断和军事识别等领域,误检的代价更为显著。因此,设计一个能够准确分类不平衡数据的算法有着重要意义。
目前针对不平衡数据集已经有很多方法,总体可分为三类:数据级方法、算法级方法和集成学习方法。数据级方法通过采样的手段来调整数据分布,从而使数据集的平衡性得以恢复。由于其对分类算法没有影响,并且具有很好的通用性,因而广受关注,特别是SMOTE算法及其改进方法。由于SMOTE算法的合成过程具有很大的随机性,需要通过样本密度等手段准确识别对分类性能有利的样本进行合成,因此在目前的应用中还存在很大的改进空间。本发明的目的是利用贝叶斯不平衡度量来更准确地表征样本和数据集的不平衡度,并通过神经网络学习筛选阈值与不平衡度的关系,利用筛选阈值对用来合成的样本进行筛选,从而使SMOTE算法能够更精确地对有利于分类的样本进行定向合成。
发明内容
针对以上目标,本发明提出了一种机器学习中基于贝叶斯不平衡度量的深度采样方法。首先利用贝叶斯不平衡度量,对多组数据集中少数样本的不平衡度和数据集的不平衡度进行准确表达;确定数据集的不平衡度后,设置多组阈值,在每组阈值下对样本不平衡度高于该阈值的样本进行过采样,通过分类算法测试各组阈值下数据集的分类性能,从而筛选出最优阈值;最后利用神经网络学习最优阈值与数据集不平衡度之间的映射关系,在对新数据集进行过采样时,利用该神经网络对阈值的设置进行指导,实现精确的定向合成。
一种机器学习中基于贝叶斯不平衡度量的深度采样方法,包括以下步骤:
(1)不平衡度计算
利用贝叶斯不平衡度量,对多组数据集中少数样本的不平衡度和数据集的不平衡度进行准确表达;
(2)最优阈值筛选
确定数据集的不平衡度后,设置多组阈值,在每组阈值下对样本不平衡度高于该阈值的样本进行过采样,通过分类算法测试各组阈值下数据集的分类性能,从而筛选出最优阈值;
(3)阈值映射学习
利用神经网络学习最优阈值与数据集不平衡度之间的映射关系,在对新数据集进行过采样时,利用该神经网络对阈值的设置进行指导。
上述步骤(1)的具体步骤如下:
(1.1)样本不平衡度计算
不平衡度包括不平衡数据集中每个少数样本受不平衡影响的程度,以及该数据集总体上受不平衡影响的程度;其中数据集的不平衡度命名为BI,样本的不平衡度命名为IBI;
对于一个给定样本,定义样本为x,样本标签为y,样本类别为c;根据贝叶斯规则,x属于c的后验概率为:
此时,最优的贝叶斯分类器决策为:
f(x)=argmax[p(y=c|x)](2)
对于二分类问题,c的取值为+1或-1,p(x)对两个类相同,并且先验概率通常由每个类的频率估计得出,将该决策公式化为:
其中
fpositive(x)和fnegative(x)为表示后验概率的后验分数,式中Npositive和Nnegative为正负类的样本个数;当类不平衡且正类样本数远少于负类时,贝叶斯决策受先验概率中频率估计的影响,导致少数类样本容易被误分类;由此入手,设计一个不受先验概率影响的决策函数:
其中
此时的决策函数直接对比p(x|+)和p(x|-),不再受到先验中样本频率估计带来的影响,这也是类平衡时的最小化贝叶斯误差的决策函数;将样本的不平衡度IBI定义为,不平衡情况和估计平衡情况下归一化的后验概率之差:
(1.2)数据集不平衡度计算
在样本不平衡度的基础上,定义整个数据集的不平衡度BI为所有少数类样本IBI的均值:
上述步骤(2)的具体步骤如下:
(2.1)采样阈值划分
首先为数据集设置一系列采样阈值:
由于BI值在(0,1)之间,也可将采样阈值设置为具体的值:
(-1,0,0.1,0.2,0.3,0.4,0.5,0.6,0.7)(10)
(2.2)数据集过采样
在每组采样阈值下,通过合成过采样算法对各组数据中超过阈值的少数样本进行过采样,使数据集恢复平衡;对不平衡度超过阈值的少数样本进行随机抽取,每次随机抽取两个样本并生成一个(0,1)的随机数d,在这两个样本连线的d位置处随机合成一个新样本,直到正负类样本达到平衡为止;
(2.3)最优阈值评估
完成阈值设置和每组数据集的再平衡后,通过分类算法求出各组平衡子集的分类性能;分类算法选取SVM;
分类性能采用G-mean作为评价指标,其是少数类和多数类正确率的几何平均数,计算方法如下:
得到各个阈值下平衡子集的分类性能后,选出其中性能最好的分类阈值,并记录对应数据集的不平衡度BI,作为阈值映射网络的输入。
上述步骤(3)的具体步骤如下:
(3.1)阈值映射网络训练
将步骤(2.3)中筛选得到的最优阈值和对应的数据集不平衡度BI作为输入,利用神经网络学习两者间的深层映射关系;
(3.2)阈值映射网络应用
当获得新数据集时,使用阈值映射网络指导过采样的阈值设置。包括以下三个阶段:
1)利用贝叶斯不平衡度量,计算样本不平衡度IBI和数据集不平衡度BI;
2)将数据集不平衡度BI输入阈值映射网络,得到最优采样阈值;
3)对IBI超过该最优阈值的样本进行过采样,恢复数据集的平衡性。
附图说明
图1是本发明一种实施例的算法流程示意图;
图2是本发明阈值映射网络的示意图;
图3是本发明深度采样方法的示意图。
具体实施方式
本发明首先利用贝叶斯不平衡度量,对多组数据集中少数样本的不平衡度和数据集的不平衡度进行准确表达;确定数据集的不平衡度后,设置多组阈值,在每组阈值下对样本不平衡度高于该阈值的样本进行过采样,通过分类算法测试各组阈值下数据集的分类性能,从而筛选出最优阈值;最后利用神经网络学习最优阈值与数据集不平衡度之间的映射关系,在对新数据集进行过采样时,利用该神经网络对阈值的设置进行指导,实现精确的定向合成。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示为基于贝叶斯不平衡度量的深度采样方法的算法流程示意图,所述框架包括训练和应用两个阶段。训练阶段包括三个步骤,首先是不平衡度计算,在该步骤中计算各个数据集和少数样本的不平衡度;接着是最优阈值筛选,通过对多组阈值下的重采样子集进行性能测试,筛选出最优阈值;最后是阈值映射学习,利用神经网络学习最优阈值和数据集不平衡度之间的映射关系,从而为应用阶段提供指导。应用阶段包括三个步骤,首先是不平衡度计算;接着是最优阈值设置,利用训练好的阈值映射网络来为数据集设置采样阈值;最后是数据再平衡,对不平衡度超过阈值的样本进行合成过采样以恢复数据集的平衡性。
步骤(1):不平衡度计算;
(1.1)样本不平衡度计算
不平衡度包括不平衡数据集中每个少数样本受不平衡影响的程度,以及该数据集总体上受不平衡影响的程度;其中数据集的不平衡度命名为BI,样本的不平衡度命名为IBI;
对于一个给定样本,定义样本为x,样本标签为y,样本类别为c;根据贝叶斯规则,x属于c的后验概率为:
此时,最优的贝叶斯分类器决策为:
f(x)=argmax[p(y=c|x)] (2)
对于二分类问题,c的取值为+1或-1,p(x)对两个类相同,并且先验概率通常由每个类的频率估计得出,将该决策公式化为:
其中
fpositive(x)和fnegative(x)为表示后验概率的后验分数,式中Npositive和Nnegative为正负类的样本个数;当类不平衡且正类样本数远少于负类时,贝叶斯决策受先验概率中频率估计的影响,导致少数类样本容易被误分类;由此入手,设计一个不受先验概率影响的决策函数:
其中
此时的决策函数直接对比p(x|+)和p(x|-),不再受到先验中样本频率估计带来的影响,这也是类平衡时的最小化贝叶斯误差的决策函数;将样本的不平衡度IBI定义为,不平衡情况和估计平衡情况下归一化的后验概率之差:
(1.2)数据集不平衡度计算
在样本不平衡度的基础上,定义整个数据集的不平衡度BI为所有少数类样本IBI的均值:
步骤(2):最优阈值筛选;
(2.1)采样阈值划分
首先为数据集设置一系列采样阈值:
由于BI值在(0,1)之间,也可将采样阈值设置为具体的值:
(-1,0,0.1,0.2,0.3,0.4,0.5,0.6,0.7) (10)
(2.2)数据集过采样
在每组采样阈值下,通过合成过采样算法对各组数据中超过阈值的少数样本进行过采样,使数据集恢复平衡;对不平衡度超过阈值的少数样本进行随机抽取,每次随机抽取两个样本并生成一个(0,1)的随机数d,在这两个样本连线的d位置处随机合成一个新样本,直到正负类样本达到平衡为止;
(2.3)最优阈值评估
完成阈值设置和每组数据集的再平衡后,通过分类算法求出各组平衡子集的分类性能;分类算法选取SVM;
分类性能采用G-mean作为评价指标,其是少数类和多数类正确率的几何平均数,计算方法如下:
得到各个阈值下平衡子集的分类性能后,选出其中性能最好的分类阈值,并记录对应数据集的不平衡度BI,作为阈值映射网络的输入。
步骤(3):阈值映射学习;
(3.1)阈值映射网络训练
将步骤(2.3)中筛选得到的最优阈值和对应的数据集不平衡度BI作为输入,利用神经网络学习两者间的深层映射关系;
如图2所示是阈值映射网络的示意图,具体描述如下:
1)网络的输入为数据集的不平衡度BI和所对应的最优阈值。
2)网络的超参数为网络层数、每层中神经元个数、学习率、学习的回合数和激活函数等。由于输出的范围为(0,1),激活函数可选用sigmoid。其余超参数通过具体实验确定。
(3.2)阈值映射网络应用
当获得新数据集时,使用阈值映射网络指导过采样的阈值设置。包括以下三个阶段:
1)利用贝叶斯不平衡度量,计算样本不平衡度IBI和数据集不平衡度BI;
2)将数据集不平衡度BI输入阈值映射网络,得到最优采样阈值;
3)对IBI超过该最优阈值的样本进行过采样,恢复数据集的平衡性。
如图3所示是过采样方法的示意图,该方法包括筛选和合成两个阶段。首先从IBI超过最优阈值的样本中进行随机筛选,每次筛选出两个样本;接着生成一个(0,1)之间的随机数d,并在这两个样本连线的位置d处进行新样本的合成。当正负类样本平衡时停止合成,本发明中设置两类样本数相等为终止条件。
Claims (3)
1.一种机器学习中基于贝叶斯不平衡度量的深度采样方法,其特征在于:包括以下步骤:
(1)不平衡度计算
利用贝叶斯不平衡度量,对多组数据集中少数样本的不平衡度和数据集的不平衡度进行准确表达;
(2)最优阈值筛选
确定数据集的不平衡度后,设置多组阈值,在每组阈值下对样本不平衡度高于该阈值的样本进行过采样,通过分类算法测试各组阈值下数据集的分类性能,从而筛选出最优阈值;
(3)阈值映射学习
利用神经网络学习最优阈值与数据集不平衡度之间的映射关系,在对新数据集进行过采样时,利用该神经网络对阈值的设置进行指导;
所述步骤(1)的具体步骤如下:
(1.1)样本不平衡度计算
不平衡度包括不平衡数据集中每个少数样本受不平衡影响的程度,以及该数据集总体上受不平衡影响的程度;其中数据集的不平衡度命名为BI,样本的不平衡度命名为IBI;
对于一个给定样本,定义样本为x,样本标签为y,样本类别为c;根据贝叶斯规则,x属于c的后验概率为:
此时,最优的贝叶斯分类器决策为:
f(x)=argmax[p(y=c|x)] (2)
对于二分类问题,c的取值为+1或-1,p(x)对两个类相同,并且先验概率通常由每个类的频率估计得出,将该决策公式化为:
其中
fpositive(x)和fnegative(x)为表示后验概率的后验分数,式中Npositive和Nnegative为正负类的样本个数;当类不平衡且正类样本数远少于负类时,贝叶斯决策受先验概率中频率估计的影响,导致少数类样本容易被误分类;由此入手,设计一个不受先验概率影响的决策函数:
其中
此时的决策函数直接对比p(x|+)和p(x|-),不再受到先验中样本频率估计带来的影响,这也是类平衡时的最小化贝叶斯误差的决策函数;将样本的不平衡度IBI定义为,不平衡情况和估计平衡情况下归一化的后验概率之差:
(1.2)数据集不平衡度计算
在样本不平衡度的基础上,定义整个数据集的不平衡度BI为所有少数类样本IBI的均值:
2.根据权利要求1所述的一种机器学习中基于贝叶斯不平衡度量的深度采样方法,其特征在于:所述步骤(2)的具体步骤如下:
(2.1)采样阈值划分
首先为数据集设置一系列采样阈值:
由于BI值在(0,1)之间,也可将采样阈值设置为具体的值:
(-1,0,0.1,0.2,0.3,0.4,0.5,0.6,0.7)(10)
(2.2)数据集过采样
在每组采样阈值下,通过合成过采样算法对各组数据中超过阈值的少数样本进行过采样,使数据集恢复平衡;对不平衡度超过阈值的少数样本进行随机抽取,每次随机抽取两个样本并生成一个(0,1)的随机数d,在这两个样本连线的d位置处随机合成一个新样本,直到正负类样本达到平衡为止;
(2.3)最优阈值评估
完成阈值设置和每组数据集的再平衡后,通过分类算法求出各组平衡子集的分类性能;分类算法选取SVM;
分类性能采用G-mean作为评价指标,其是少数类和多数类正确率的几何平均数,计算方法如下:
得到各个阈值下平衡子集的分类性能后,选出其中性能最好的分类阈值,并记录对应数据集的不平衡度BI,作为步骤(3)中神经网络的输入。
3.根据权利要求2所述的一种机器学习中基于贝叶斯不平衡度量的深度采样方法,其特征在于:所述步骤(3)的具体步骤如下:
(3.1)阈值映射网络训练
将步骤(2.3)中筛选得到的最优阈值和对应的数据集不平衡度BI作为输入,利用神经网络学习两者间的深层映射关系;
(3.2)阈值映射网络应用
当获得新数据集时,使用阈值映射网络指导过采样的阈值设置,包括以下三个阶段:
1)利用贝叶斯不平衡度量,计算样本不平衡度IBI和数据集不平衡度BI;
2)将数据集不平衡度BI输入阈值映射网络,得到最优采样阈值;
3)对IBI超过该最优阈值的样本进行过采样,恢复数据集的平衡性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010805545.5A CN112016597B (zh) | 2020-08-12 | 2020-08-12 | 一种机器学习中基于贝叶斯不平衡度量的深度采样方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010805545.5A CN112016597B (zh) | 2020-08-12 | 2020-08-12 | 一种机器学习中基于贝叶斯不平衡度量的深度采样方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016597A CN112016597A (zh) | 2020-12-01 |
CN112016597B true CN112016597B (zh) | 2023-07-18 |
Family
ID=73505866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010805545.5A Active CN112016597B (zh) | 2020-08-12 | 2020-08-12 | 一种机器学习中基于贝叶斯不平衡度量的深度采样方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016597B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364942B (zh) * | 2020-12-09 | 2021-05-28 | 润联软件系统(深圳)有限公司 | 信贷数据样本均衡方法、装置、计算机设备及存储介质 |
CN114327045B (zh) * | 2021-11-30 | 2024-07-26 | 中国科学院微电子研究所 | 基于类别不平衡信号的跌倒检测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304887A (zh) * | 2018-02-28 | 2018-07-20 | 云南大学 | 基于少数类样本合成的朴素贝叶斯数据处理系统及方法 |
CN110177112B (zh) * | 2019-06-05 | 2021-11-30 | 华东理工大学 | 基于双重子空间采样和置信偏移的网络入侵检测方法 |
-
2020
- 2020-08-12 CN CN202010805545.5A patent/CN112016597B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112016597A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Machinery fault diagnosis with imbalanced data using deep generative adversarial networks | |
Xie et al. | Imbalanced learning for fault diagnosis problem of rotating machinery based on generative adversarial networks | |
CN112016597B (zh) | 一种机器学习中基于贝叶斯不平衡度量的深度采样方法 | |
Barnabé-Lortie et al. | Active learning for one-class classification | |
CN108333468B (zh) | 一种有源配电网下不良数据的识别方法及装置 | |
CN110247910A (zh) | 一种异常流量的检测方法、系统及相关组件 | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
Das et al. | An oversampling technique by integrating reverse nearest neighbor in SMOTE: Reverse-SMOTE | |
CN111881159B (zh) | 一种基于代价敏感极端随机森林的故障检测方法及装置 | |
Ye et al. | Multiscale weighted morphological network based feature learning of vibration signals for machinery fault diagnosis | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
CN114354194A (zh) | 基于全卷积自编码器和优化支持向量机的滚动轴承故障诊断方法 | |
Chawla et al. | Towards interpretable anomaly detection: Unsupervised deep neural network approach using feedback loop | |
CN113343123B (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
CN113609480B (zh) | 基于大规模网络流的多路学习入侵检测方法 | |
Du et al. | Fault diagnosis of plunger pump in truck crane based on relevance vector machine with particle swarm optimization algorithm | |
CN117349786B (zh) | 基于数据均衡的证据融合变压器故障诊断方法 | |
Zhao et al. | Hybrid semi-supervised learning for rotating machinery fault diagnosis based on grouped pseudo labeling and consistency regularization | |
CN117874612A (zh) | 一种基于人工智能的电力系统设备模型异常检测方法 | |
CN117150399A (zh) | 一种基于流判别模型的新型故障识别方法和装置 | |
Taghiyarrenani et al. | Noise-robust representation for fault identification with limited data via data augmentation | |
CN114383846B (zh) | 基于故障标签信息向量的轴承复合故障诊断方法 | |
Sim et al. | Attention masking for improved near out-of-distribution image detection |
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 |