CN112966429A - 基于WGANs数据增强的非线性工业过程建模方法 - Google Patents
基于WGANs数据增强的非线性工业过程建模方法 Download PDFInfo
- Publication number
- CN112966429A CN112966429A CN202010803150.1A CN202010803150A CN112966429A CN 112966429 A CN112966429 A CN 112966429A CN 202010803150 A CN202010803150 A CN 202010803150A CN 112966429 A CN112966429 A CN 112966429A
- Authority
- CN
- China
- Prior art keywords
- data
- industrial process
- training
- model
- wgans
- 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 80
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000012360 testing method Methods 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 18
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000009776 industrial production Methods 0.000 abstract description 3
- 230000003042 antagnostic effect Effects 0.000 abstract 1
- 238000013459 approach Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013400 design of experiment Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于WGANs数据增强的非线性工业过程建模方法,属于工业生产过程构建性能预测模型技术领域。本发明核心是利用生成对抗网络对非线性工业过程建模小样本数据进行数据增强,将生成样本与原有样本混合构建工业过程模型,降低建模成本。具体是先利用拉丁超立方(LHD)方法采集非线性工业过程建模的小样本数据集;然后利用该部分小样本数据训练Wasserstein生成对抗网络(WGANs);待WGANs训练达到要求后,利用其生成器产生虚拟样本,选取合适的样本与初始小样本数据混合,完成数据增强;最后基于混合数据和支持向量回归方法为目标工业过程建立合适的数据驱动模型。本发明有效解决了非线性工业过程建模数据不充足问题,充分利用了工业过程的小样本数据,通过数据增强加快了建模速度,提高了建模精度和效率,降低了建模成本。
Description
技术领域
本发明涉及一种非线性工业过程建模方法,属于工业生产过程构建性能预测 模型技术领域。
背景技术
目前,以低成本快速准确地建立过程的性能预测模型已经是工业生产领域中 的一种趋势。然而由于过程运行数据不足,传统的建模方法在有限的预算和时间 难以快速准确的建立过程性能预测模型,而设计实验采集数据耗时费力,又增加 过程建模成本。
随着大数据时代的到来,数据驱动建模方法逐渐成为了非线性工业过程建模 的流行方法。然而,数据驱动模型依赖于建模数据的质量,非线性工业过程运行 环境的复杂性和可变性会导致用建模数据不足,基于此类小样本数据建立的过程 预测模型往往达不到精度要求。为此,基于生成对抗数据增强技术建立非线性工 业过程性能预测模型的方法应运而生。Yang Jing等人基于高斯分布提出了一种 虚拟样本生成方法对分类问题中的小样本数据进行扩充;Der-Chiang Li利用虚 拟样本生产技术提高了柔性制造系统中机器学习的精确度。
虽然上诉方法生成的样本已经运用在实际过程中,但其得到的样本也只是在 原小样本已有范围内进行简单的转换,并未学到原始样本所蕴含的信息,究其本 身还有许多缺陷,比如生成的样本可能无法拟合原有样本的分布情况。生成对抗 网络(GenerativeAdversarial Networks,GANs)是一种新型的数据生成模型, 由生成网络和判别网络相互对抗训练得到,其生成能力强大,理论上可以拟合任 意数据分布。
发明内容
为了克服上述现有技术的不足之处,本发明提供一种基于WGANs数据增强的 非线性工业过程建模方法,WGANs全称为Wasserstein Generative Adversarial Networks;在对小样本工业过程建模时,充分利用了已有小样本的有用信息,结 合生成对抗数据增强,得到与原有样本分布类似的生成数据,最后进行SVR (Support Vector Regression,SVR)预测建模。
本发明是通过如下技术方案实现的:一种基于WGANs数据增强的非线性工业 过程建模方法,该方法包含以下步骤:
步骤A、利用拉丁超立方(LHD)采样方法,采集目标非线性工业过程建模初 始数据集;
步骤B、将初始数据集归一化处理,同时将数据划分两部分,分别是建模过 程中的训练数据集和测试数据集;
步骤C、用步骤B中的训练数据集训练WGANs,当训练次数达到初始设定阈 值时,停止网络训练;
步骤D、利用已经训练好的WGANs模型中的生成器得到生成样本;
步骤E、将生成样本与训练数据集混合后得到增强后的混合数据集。利用混 合数据集训练支持向量回归(Support Vector Regression,SVR)模型,得到非 线性工业过程的预测模型;
步骤F、模型验证,若步骤E所得模型在测试集上的预测精度满足实验设定 阈值,则建模过程完成;否则,重复步骤D,将新的N组生成样本加入到混合样 本中,重新继续SVR模型,直至SVR模型在测试集上的预测精度满足实验设定阈 值。
进一步,所述步骤B包含:将所述步骤A采集的数据集进行预处理,具体步 骤如下所示:
1)初始采集数据包含工业过程输出与输入数据,记为:
\*MERGEFORMAT (1)
其中X和x是工业过程输入数据,Y和y是工业过程输出数据,nori是初始采 集样本总个数;
2)根据公式对采集数据进行归一化处理,记归一化后的数据集为
\*MERGEFORMAT (2)
\*MERGEFORMAT (3)
\*MERGEFORMAT (4)
其中,xi和yi分别过程的输入和输出,xmin和xmax分别过程运行区间下限和 上限,ymin和ymax分别过程输出的下限和上限;Strian是用来训练WGANs的训练样 本集,Stest是用来验证最后预测模型的测试样本集。
进一步,所述步骤C包含:
1)初始化相关参数:θd为判别模型参数;θg为生成模型参数;每训练一次生 成模型,训练判别模型的次数ncritic=2;自适应矩估计(Adaptive Moment Estimation,Adam)的参数:α=0.00005,β1=0,β2=0.7;采样的数量 m=5;裁剪系数c=0.01;
5)重复步骤2)-步骤4)ncritic次;
6)从高斯分布中采集m个噪声样本{z1,z2,...,zm},更新生成器参数,
7)重复步骤2)-步骤6)直至模型收敛(训练次数达到Epochs)。
进一步,所述步骤E中训练SVR模型的步骤为:
1)对训练数据集和生成数据集取并集得到混合训练数据集SMixTrain;
\*MERGEFORMAT(5)
2)利用SMixTrain训练支持向量回归模型,得到非线性工业过程的输出预测模型
y=f(x)。
进一步,所述步骤F中模型验证为:利用均方根误差(Root Mean Square Error,RMSE)和确定系数(R-Square,R2)来评估SVR模型的有效性,公式如 下:
\*MERGEFORMAT (6)
\*MERGEFORMAT (7)
本发明的有益效果是:本发明通过采用了一种WGAN模型来对非线性工业 过程中的小样本数据进行数据增强,减少数据驱动建模阶段中对数据的依赖,充 分利用了工业中现有的小样本数据,得到了符合原样本分布的生成样本,对原样 本信息分布中的间隔进行了扩充。同时该方法比不使用数据增强方法或者使用其 数据增强方法所建模型精度更高,更接近实际输出,为工业过程建模降低了大量 成本。
附图说明
下面根据附图和实施例对本发明进一步说明。
图1是基于WGANs数据增强的非线性工业过程建模方法示意图;
图2是使用WGAN数据增强、GAN数据增强、SMOTE数据增强和未数据增强方 法的压力比的RMSE和R2;(柱状图)
图3是使用WGAN数据增强、GAN数据增强、SMOTE数据增强和未数据增强的 压力比的预测结果(折线图);
图4是不同生成数据量下的的压力比的RMSE(折线图)。
图5是四种模型不同生成样本量下的预测压力比RMSE曲线。
具体实施方式
下面将结合说明书附图,对本发明实施例中的技术方案进行清楚、完整地描 述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。以 下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及 其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有 开展创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
对于本领域技术人员已知的技术、方法和设备可能不作详细讨论,但在适当 情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
如图1所示,一种基于WGANs(Wasserstein Generative Adversarial Networks,WGANs)数据增强的非线性工业过程建模方法,在对小样本工业过程建模时, 充分利用了已有小样本的有用信息,结合生成对抗数据增强,得到与原有样本分 布类似的生成数据,最后进行支持向量回归(Support Vector Regression,SVR) 预测建模。其具体步骤如下:
步骤A、利用拉丁超立方(Latin Hypercube Design,LHD)采样方法,采集目标 非线性工业过程建模初始数据集。
步骤B、将初始数据集归一化处理,同时将数据划分两部分,分别是建模过程中 的训练数据集和测试数据集。
步骤C、用步骤B中的训练数据集训练WGANs,当训练次数达到初始设定阈值 时,停止网络训练。
步骤D、利用已经训练好的WGANs模型中的生成器得到生成样本。
步骤E、将生成样本与训练数据集混合后得到增强后的混合数据集。利用混合数据集训练支持向量回归模型,得到非线性工业过程的预测模型。
步骤F、模型验证,若步骤E所得模型在测试集上的预测精度满足实验设定阈 值,则建模过程完成。否则,重复步骤D,将新的N组生成样本加入到混合样 本中,重新继续SVR模型,直至SVR模型在测试集上的预测精度满足实验设定 阈值。
所述步骤B包含:将步骤A采集的数据集进行预处理,具体步骤如下所示: 1)初始采集数据包含工业过程输出与输入数据,记为:
其中X和x是工业过程输入数据,Y和y是工业过程输出数据,nori是初始采 集样本总个数。
3)根据公式对采集数据进行归一化处理,记归一化后的数据集为
其中,xi和yi分别过程的输入和输出,xmin和xmax分别过程运行区间下限和 上限,ymin和ymax分别过程输出的下限和上限。Strian是用来训练WGANs的训练 样本集,Stest是用来验证最后预测模型的测试样本集。非线性过程稳定运行区间 如表1所示。
所述步骤C的包含:
1)初始化相关参数:θd为判别模型参数;θg为生成模型参数;每训练一次生 成模型,训练判别模型的次数ncritic=2;自适应矩估计(Adaptive Moment Estimation,Adam)的参数:α=0.00005,β1=0,β2=0.7;采样的数量m=5; 裁剪系数c=0.01。
5)重复步骤2)-步骤4)ncritic次。
6)从高斯分布中采集m个噪声样本{z1,z2,...,zm},更新生成器参数,
重复步骤2)-步骤6)直至模型收敛(训练次数达到Epochs)。
所述步骤E包含:
1)对训练数据集和生成数据集取并集得到混合训练数据集SMixTrain。
2)利用SMixTrain训练支持向量回归模型,得到非线性工业过程的输出预测模型 y=f(x)。
所述步骤F中包含:利用均方根误差(RootMean Square Error,RMSE)和 确定系数(R-Square,R2)来评估SVR模型的有效性,公式如下:
为了验证该方法的效果,利用所采集的实验数据样本分别建立基于WGAN 数据增强和SVR的压缩机预测模型、基于GAN数据增强和SVR的压缩机预测模 型、基于SMOTE数据增强和SVR的压缩机预测模型以及纯LSSVR方法的压缩机 预测模型,并将四个模型的预测压比与实际输出进行对比,结果如图2可见。如 图3所示我们得到了三种数据生成方法所生成的样本对比。基于WGAN数据增强 和SVR的建模方法预测精度要比其他三种建模方法预测精度高。表2列出了四种 模型压力比的MAE、MSE、RMSE和R2。当初始样本量是10,生成样本量是90 时,四种模型预测压力比的MAE、MSE、RMSE和R2如图4所示。从图表中可以 看出,基于WGAN数据增强方法的RMSE和R2分别为0.09448813和0.78546698, RMSE小于其他三种方法,R2大于其他三种方法。同时我们也比较了生成样本量 增加时,四种模型预测精度的变化。图5为四种模型不同生成样本量下的预测压 力比RMSE曲线,由图可知,当生成样本量增加时,RMSE逐渐降低,可以认为 该方法可以改善小样本建模精度。
表2.四种建模方法预测的压力比的RMSE和R2
由上诉分析可知,本发明通过采用了一种WGAN模型来对非线性工业过程 中的小样本数据进行数据增强,充分利用了工业中现有的小样本数据,得到了符 合原样本分布的生成样本,对原样本信息分布中的间隔进行了扩充。在少量压缩 机运行数据支持下,通过训练好的生成器对建模样本进行数据增强,结合支持向 量机对目标压缩机建立了合适的性能预测模型,从而减少了建模过程的样本采集 时间,降低了建模过程的成本,获得符合精度要求的过程模型。同时该方法比不 使用数据增强方法或者使用其数据增强方法所建模型精度更高,更接近实际输 出,为工业过程建模降低了大量成本。
以上所述仅为本发明的示例性实施例,并不用以限制本发明,凡在本发明的 精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保 护范围之内。
Claims (6)
1.一种基于WGANs数据增强的非线性工业过程建模方法,其特征在于:该方法包含以下步骤:
步骤A、利用拉丁超立方采样方法,采集目标非线性工业过程建模初始数据集;
步骤B、将初始数据集归一化处理,同时将数据划分两部分,分别是建模过程中的训练数据集和测试数据集;
步骤C、用步骤B中的训练数据集训练WGANs,当训练次数达到初始设定阈值时,停止网络训练;
步骤D、利用已经训练好的WGANs模型中的生成器得到生成样本;
步骤E、将生成样本与训练数据集混合后得到增强后的混合数据集。利用混合数据集训练支持向量回归模型,得到非线性工业过程的预测模型;
步骤F、模型验证,若步骤E所得模型在测试集上的预测精度满足实验设定阈值,则建模过程完成;否则,重复步骤D,将新的N组生成样本加入到混合样本中,重新继续SVR模型,直至SVR模型在测试集上的预测精度满足实验设定阈值。
2.根据权利要求1所述的基于WGANs数据增强的非线性工业过程建模方法,其特征在于:所述步骤B包含:将所述步骤A采集的数据集进行预处理,具体步骤如下所示:
1)初始采集数据包含工业过程输出与输入数据,记为:
其中X和x是工业过程输入数据,Y和y是工业过程输出数据,nori是初始采集样本总个数;
其中,xi和yi分别过程的输入和输出,xmin和xmax分别过程运行区间下限和上限,ymin和ymax分别过程输出的下限和上限;Strian是用来训练WGANs的训练样本集,Stest是用来验证最后预测模型的测试样本集。
3.根据权利要求1所述的基于WGANs数据增强的非线性工业过程建模方法,其特征在于:所述步骤C包含:
1)初始化相关参数:θd为判别模型参数;θg为生成模型参数;每训练一次生成模型,训练判别模型的次数ncritic=2;自适应矩估计(Adaptive Moment Estimation,Adam)的参数:α=0.00005,β1=0,β2=0.7;采样的数量m=5;裁剪系数c=0.01;
5)重复步骤2)-步骤4)ncritic次;
7)重复步骤2)-步骤6)直至模型收敛(训练次数达到Epochs)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010803150.1A CN112966429A (zh) | 2020-08-11 | 2020-08-11 | 基于WGANs数据增强的非线性工业过程建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010803150.1A CN112966429A (zh) | 2020-08-11 | 2020-08-11 | 基于WGANs数据增强的非线性工业过程建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112966429A true CN112966429A (zh) | 2021-06-15 |
Family
ID=76270923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010803150.1A Pending CN112966429A (zh) | 2020-08-11 | 2020-08-11 | 基于WGANs数据增强的非线性工业过程建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966429A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254435A (zh) * | 2021-07-15 | 2021-08-13 | 北京电信易通信息技术股份有限公司 | 一种数据增强方法及系统 |
CN113642666A (zh) * | 2021-08-29 | 2021-11-12 | 浙江工业大学 | 一种基于样本扩充和筛选的主动增强软测量方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3863216B2 (ja) * | 1996-05-22 | 2006-12-27 | 富士通株式会社 | 感情表現装置 |
CN101957311A (zh) * | 2010-09-13 | 2011-01-26 | 北京中医药大学 | 一种素片干燥过程的定性分析方法 |
CN109214117A (zh) * | 2018-10-15 | 2019-01-15 | 南京天洑软件有限公司 | 一种基于价值网络的智能工业设计算法 |
CN109813542A (zh) * | 2019-03-15 | 2019-05-28 | 中国计量大学 | 基于生成式对抗网络的空气处理机组的故障诊断方法 |
CN110276321A (zh) * | 2019-06-11 | 2019-09-24 | 北方工业大学 | 一种遥感视频目标跟踪方法及系统 |
CN110706303A (zh) * | 2019-10-15 | 2020-01-17 | 西南交通大学 | 基于GANs的人脸图像生成方法 |
CN110728997A (zh) * | 2019-11-29 | 2020-01-24 | 中国科学院深圳先进技术研究院 | 一种基于情景感知的多模态抑郁症检测方法和系统 |
CN110739030A (zh) * | 2019-09-16 | 2020-01-31 | 北京化工大学 | 一种乙烯生产过程小样本的软测量方法 |
CN110765587A (zh) * | 2019-09-30 | 2020-02-07 | 北京化工大学 | 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法 |
CN111478312A (zh) * | 2019-11-20 | 2020-07-31 | 国网河北省电力有限公司电力科学研究院 | 一种提升电网稳定性的综合能源集群协调控制方法 |
-
2020
- 2020-08-11 CN CN202010803150.1A patent/CN112966429A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3863216B2 (ja) * | 1996-05-22 | 2006-12-27 | 富士通株式会社 | 感情表現装置 |
CN101957311A (zh) * | 2010-09-13 | 2011-01-26 | 北京中医药大学 | 一种素片干燥过程的定性分析方法 |
CN109214117A (zh) * | 2018-10-15 | 2019-01-15 | 南京天洑软件有限公司 | 一种基于价值网络的智能工业设计算法 |
CN109813542A (zh) * | 2019-03-15 | 2019-05-28 | 中国计量大学 | 基于生成式对抗网络的空气处理机组的故障诊断方法 |
CN110276321A (zh) * | 2019-06-11 | 2019-09-24 | 北方工业大学 | 一种遥感视频目标跟踪方法及系统 |
CN110739030A (zh) * | 2019-09-16 | 2020-01-31 | 北京化工大学 | 一种乙烯生产过程小样本的软测量方法 |
CN110765587A (zh) * | 2019-09-30 | 2020-02-07 | 北京化工大学 | 基于动态正则化判别局部保留投影的复杂石化过程故障诊断方法 |
CN110706303A (zh) * | 2019-10-15 | 2020-01-17 | 西南交通大学 | 基于GANs的人脸图像生成方法 |
CN111478312A (zh) * | 2019-11-20 | 2020-07-31 | 国网河北省电力有限公司电力科学研究院 | 一种提升电网稳定性的综合能源集群协调控制方法 |
CN110728997A (zh) * | 2019-11-29 | 2020-01-24 | 中国科学院深圳先进技术研究院 | 一种基于情景感知的多模态抑郁症检测方法和系统 |
Non-Patent Citations (1)
Title |
---|
李迎杰: "基于GANs的脑部MRI图像生成方法研究", 中国优秀硕士学位论文全文数据库信息科技辑, no. 12, pages 138 - 331 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254435A (zh) * | 2021-07-15 | 2021-08-13 | 北京电信易通信息技术股份有限公司 | 一种数据增强方法及系统 |
CN113254435B (zh) * | 2021-07-15 | 2021-10-29 | 北京电信易通信息技术股份有限公司 | 一种数据增强方法及系统 |
CN113642666A (zh) * | 2021-08-29 | 2021-11-12 | 浙江工业大学 | 一种基于样本扩充和筛选的主动增强软测量方法 |
CN113642666B (zh) * | 2021-08-29 | 2024-02-02 | 浙江工业大学 | 一种基于样本扩充和筛选的主动增强软测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
CN112364894B (zh) | 一种基于元学习的对抗网络的零样本图像分类方法 | |
CN106104674B (zh) | 混合语音识别 | |
US20220036231A1 (en) | Method and device for processing quantum data | |
CN112966429A (zh) | 基于WGANs数据增强的非线性工业过程建模方法 | |
CN105718943A (zh) | 基于粒子群优化算法的特征选择方法 | |
CN109344713A (zh) | 一种姿态鲁棒的人脸识别方法 | |
CN111428201A (zh) | 基于经验模态分解和前馈神经网络对时序数据的预测方法 | |
CN112800682A (zh) | 一种反馈寻优的风机叶片故障监测方法 | |
CN114491823B (zh) | 一种基于改进生成对抗网络的列车轴承故障诊断方法 | |
CN109656808A (zh) | 一种基于混合式主动学习策略的软件缺陷预测方法 | |
CN111414943A (zh) | 一种基于混合隐朴素贝叶斯模型的异常检测方法 | |
CN105978733A (zh) | 一种基于韦布尔分布的网络流量建模方法和系统 | |
CN110363060B (zh) | 基于特征子空间生成对抗网络的小样本目标识别方法 | |
CN110489348B (zh) | 一种基于迁移学习的软件功能缺陷挖掘方法 | |
Chen et al. | An embarrassingly simple baseline for imbalanced semi-supervised learning | |
CN110097116A (zh) | 一种基于独立成分分析和核密度估计的虚拟样本生成方法 | |
CN116630989A (zh) | 智能电表可视故障检测方法、系统、电子设备及存储介质 | |
CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 | |
CN106709598B (zh) | 一种基于单类样本的电压稳定性预测判断方法 | |
CN114564587A (zh) | 文本分类场景下基于对抗训练的数据增强方法 | |
CN112860870B (zh) | 一种噪音数据的识别方法和设备 | |
CN113763282B (zh) | 一种车牌图像的模糊图像生成方法 | |
KR102456682B1 (ko) | 와서스테인 분포를 이용하는 고해상도 3d 포인트 클라우드를 생성을 위한 장치 및 방법 | |
CN117370874A (zh) | 一种基于da-wgan-svm的水电机组小样本故障诊断方法 |
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 |