CN113837002B - 基于改进TimeGan模型的小样本数据故障诊断方法 - Google Patents
基于改进TimeGan模型的小样本数据故障诊断方法 Download PDFInfo
- Publication number
- CN113837002B CN113837002B CN202110950739.9A CN202110950739A CN113837002B CN 113837002 B CN113837002 B CN 113837002B CN 202110950739 A CN202110950739 A CN 202110950739A CN 113837002 B CN113837002 B CN 113837002B
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- timegan
- fault
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003745 diagnosis Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 19
- 230000003068 static effect Effects 0.000 claims description 15
- 230000002123 temporal effect Effects 0.000 claims description 12
- 238000011084 recovery Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims 1
- 230000006872 improvement Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进TimeGan模型的小样本数据故障诊断方法,具体为:读取原始数据,将原始数据分类为正常数据和故障数据;对正常数据、故障数据进行预处理,得到深度学习训练所需的故障数据样本和正常数据样本;对TimeGan进行对抗训练,得到训练好的TimeGan模型;利用训练好的TimeGan模型进行扩充数据,得到合成的故障数据样本,将合成的故障数据样本、故障数据样本和正常数据样本合并,得到数据集;按照指定比例先将数据集划分为训练集和测试集,之后再对训练集和测试集中的每个数据样本进行归一化处理,最后对训练集和测试集中的每个数据样本进行Harr小波特征提取和时域统计参量特征提取。
Description
技术领域
本发明属于铁路道岔故障判断技术领域,具体涉及一种基于改进TimeGan模型的小样本数据故障诊断方法。
背景技术
道岔是保证铁路系统安全运营的关键信号设备之一,维护其安全稳定对于保证铁路安全运行具有重要的意义。目前,我国对道岔安全性的监测主要依靠微机监测系统采集相关信息,通过专业人员主观判断监测信号设备运行的健康状态。这种与人工结合的方式不仅有悖于铁路智能化、信息化的发展,而且故障诊断的准确性会受人为因素影响,几乎完全依赖经验,不能准确描述损伤,同时造成了巨大的人力物力损失。类别平衡且数量充足的训练样本是保证人工智能算法具有出色泛化能力的重要前提。
另外,由于道岔异常状态为小概率事件,加上相关信息记录不完善,导致道岔故障样本的数量十分匮乏,并且故障状态和正常状态的样本比例不平衡。因此采用机器学习算法对此类不平衡数据集进行分类过程时会出现训练模型会偏向于多数类、对少数类样本的诊断性能不高、以及对少量样本的故障类别出现较高的误诊率的问题。目前,国内外基于神经网络、贝叶斯学习法、支持向量机等机器学习算法在道岔故障诊断取得了较好的的应用成效。但在铁路道岔系统的运行过程中,故障信号的漏判造成的后果十分严重远远大于正常设备的误判。因此,在道岔数据分布非均衡的基础上有效提升机器学习故障诊断性能这一研究领域受到了极大关注。
发明内容
本发明的目的是提供一种基于改进TimeGan模型的小样本数据故障诊断方法,解决了道岔数据不平衡、高故障诊断准确性低的问题。
为了达到上述目的,本发明所采用的技术方案是:一种基于改进TimeGan模型的小样本数据故障诊断方法,具体按照以下步骤实施:
步骤1,读取原始数据,将原始数据分类为正常数据和故障数据;
步骤2,对步骤1中的正常数据、故障数据进行预处理,得到深度学习训练所需的故障数据样本和正常数据样本;
步骤3,采用步骤2得到的故障数据样本对TimeGan进行对抗训练,得到训练好的TimeGan模型;
步骤4,利用训练好的TimeGan模型进行扩充数据,得到合成的故障数据样本,将合成的故障数据样本、故障数据样本和正常数据样本合并,得到数据集;
步骤5,按照指定比例先将数据集划分为训练集和测试集,之后再对训练集和测试集中的每个数据样本进行归一化处理,最后对训练集和测试集中的每个数据样本进行Harr小波特征提取和时域统计参量特征提取;
步骤6,选用PCA对步骤5得到的训练集和测试集的Harr小波特征、时域统计参量特征的特征向量进行特征选择,确定测试样本的特征向量集和训练样本的特征向量集;
步骤7,计算测试样本的特征向量与每类训练样本的特征向量的加权欧式距离;
步骤8,采用KNN算法确定待分类测试样本的类别。
本发明的技术方案,还具有以下特点:
作为本发明技术方案的进一步改进,在所述步骤1中,采用遗传交叉变异的方法对步骤1中的故障数据进行预处理,得到深度学习训练所需的原始故障样本。
作为本发明技术方案的进一步改进,在所述步骤3中:TimeGan由嵌入网络、恢复网络、序列生成器和序列鉴别器,TimeCan中的数据具有静态特征和时态特征,S、X分别表是静态特征和动态特征的向量空间,嵌入网络和恢复网络实现原始向量空间到潜在向量空间的可逆映射,用HS、HX分别表示S、X对应的潜在向量空间。
作为本发明技术方案的进一步改进,在所述步骤3中,训练好的TimeGan模型具体为:
步骤3.1,TimeGan利用嵌入函数e:S×ΠtX→HS×Πt HX对静态特征和时态特征进行映射,得到它们的潜在特征,潜在特征记为hS,h1:T=e(s,X1:T);
步骤3.2,与嵌入函数相反,TimeGan利用恢复函数r:HS×ΠtHS→S×ΠtX将步骤3.1得到的潜在特征恢复为原来的静态特征和时态特征,结果表示为
步骤3.3,生成器在从原始数据中选取的数据的静态特征和时态特征上使用生成函数在潜在空间中生成时间序列数据;
步骤3.4,序列鉴别器利用判别函数对步骤3.3生成的时间序列数据鉴别真假;
步骤3.5,TimeGan的优化器根据嵌入网络、恢复网络、序列生成器和序列鉴别器中的损失函数优化模型,得到训练好的TimeGan模型。
作为本发明技术方案的进一步改进,在所述步骤8中,采用KNN算法确定待分类测试样本的类别具体为:首先选取一个K值,将步骤7的结果进行升序排列,再寻找距离测试样本最近K个最优训练样本;之后统计K个样本出现的总权重并降序排列,选取权重最高的故障模式,判断此类别对应的故障个数是否唯一,如果不唯一则设置K=K+1继续重复分类步骤,直到唯一确定待分类样本的类别。
本发明的有益效果是:本发明的一种基于改进TimeGan模型的小样本数据故障诊断方法,建立TimeGAN的深度学习方法平衡数据集的方法,有效解决了道岔数据中常规数据量大、故障数据量小造成的不平衡问题。该故障诊断方法首先将少量多类别故障样本进行预处理,其次将处理后的多类别故障样本进行改进TimeGAN对抗训练,最后将生成的故障样本添加到原始少量多类别故障样本中输入到KNN诊断模型中进行训练,大大提高分类的准确性,实现了故障的精确分类;基于改进TimeGAN的数据增强方法能够有效地提高模型对于少数类故障样本的识别能力。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明的一种基于改进TimeGan模型的小样本数据故障诊断方法的整体流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
如图1所示,本发明的1.一种基于改进TimeGan模型的小样本数据故障诊断方法,其特征在于,具体按照以下步骤实施:
步骤1,读取原始数据,将原始数据分类为正常数据和故障数据;
步骤2,采用遗传交叉变异的方法对步骤1中的正常数据、故障数据进行预处理,得到深度学习训练所需的故障数据样本和正常数据样本;
步骤3,采用步骤2得到的故障数据样本对TimeGan进行对抗训练,得到训练好的TimeGan模型;
TimeGan由嵌入网络、恢复网络、序列生成器和序列鉴别器,TimeCan中的数据具有静态特征和时态特征,S、X分别表是静态特征和动态特征的向量空间,嵌入网络和恢复网络实现原始向量空间到潜在向量空间的可逆映射,用HS、HX分别表示S、X对应的潜在向量空间。
训练好的TimeGan模型具体为:
步骤3.1,TimeGan利用嵌入函数e:S×Πt X→HS×Πt HX对静态特征和时态特征进行映射,得到它们的潜在特征,潜在特征记为hS,h1:T=e(s,X1:T);
步骤3.2,与嵌入函数相反,TimeGan利用恢复函数r:HS×Πt HS→S×ΠtX将步骤3.1得到的潜在特征恢复为原来的静态特征和时态特征,结果表示为
步骤3.3,生成器在从原始数据中选取的数据的静态特征和时态特征上使用生成函数在潜在空间中生成时间序列数据;
步骤3.4,序列鉴别器利用判别函数对步骤3.3生成的时间序列数据鉴别真假;
步骤3.5,TimeGan的优化器根据嵌入网络、恢复网络、序列生成器和序列鉴别器中的损失函数优化模型,得到训练好的TimeGan模型;
步骤4,利用训练好的TimeGan模型进行扩充数据,得到合成的故障数据样本,将合成的故障数据样本、故障数据样本和正常数据样本合并,得到数据集;
步骤5,按照指定比例先将数据集划分为训练集和测试集,之后再对训练集和测试集中的每个数据样本进行归一化处理,最后对训练集和测试集中的每个数据样本进行Harr小波特征提取和时域统计参量特征提取。
步骤6,选用PCA对步骤5得到的训练集和测试集的Harr小波特征、时域统计参量特征的特征向量进行特征选择,确定测试样本的特征向量集和训练样本的特征向量集;
步骤7,计算测试样本的特征向量与每类训练样本的特征向量的加权欧式距离;
步骤8,采用KNN算法确定待分类测试样本的类别,具体来说:采用KNN算法确定待分类测试样本的类别具体为:首先选取一个K值,将步骤7的结果进行升序排列,再寻找距离测试样本最近K个最优训练样本;之后统计K个样本出现的总权重并降序排列,选取权重最高的故障模式,判断此类别对应的故障个数是否唯一,如果不唯一则设置K=K+1继续重复分类步骤,直到唯一确定待分类样本的类别。
本发明的一种基于改进TimeGan模型的小样本数据故障诊断方法,建立TimeGAN的深度学习方法平衡数据集的方法,有效解决了道岔数据中常规数据量大、故障数据量小造成的不平衡问题。该故障诊断方法首先将少量多类别故障样本进行预处理,其次将处理后的多类别故障样本进行改进TimeGAN对抗训练,最后将生成的故障样本添加到原始少量多类别故障样本中输入到KNN诊断模型中进行训练,大大提高分类的准确性,实现了故障的精确分类;基于改进TimeGAN的数据增强方法能够有效地提高模型对于少数类故障样本的识别能力。
上述说明示出并描述了发明的若干优选实施例,但如前所述,应当理解发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离发明的精神和范围,则都应在发明所附权利要求的保护范围内。
Claims (3)
1.一种基于改进TimeGan模型的小样本数据故障诊断方法,其特征在于,具体按照以下步骤实施:
步骤1,读取原始数据,将原始数据分类为正常数据和故障数据;
步骤2,对步骤1中的正常数据、故障数据进行预处理,得到深度学习训练所需的故障数据样本和正常数据样本;
步骤3,采用步骤2得到的故障数据样本对TimeGan进行对抗训练,得到训练好的TimeGan模型;
TimeGan由嵌入网络、恢复网络、序列生成器和序列鉴别器,TimeCan中的数据具有静态特征和时态特征,S、X分别表是静态特征和动态特征的向量空间,嵌入网络和恢复网络实现原始向量空间到潜在向量空间的可逆映射,用HS、HX分别表示S、X对应的潜在向量空间;
训练好的TimeGan模型具体为:
步骤3.1,TimeGan利用嵌入函数e:S×ΠtX→HS×ΠtHX对静态特征和时态特征进行映射,得到它们的潜在特征,潜在特征记为hS,h1:T=e(s,X1:T);
步骤3.2,与嵌入函数相反,TimeGan利用恢复函数r:HS×ΠtHS→S×ΠtX将步骤3.1得到的潜在特征恢复为原来的静态特征和时态特征,结果表示为
步骤3.3,生成器在从原始数据中选取的数据的静态特征和时态特征上使用生成函数在潜在空间中生成时间序列数据;
步骤3.4,序列鉴别器利用判别函数对步骤3.3生成的时间序列数据鉴别真假;
步骤3.5,TimeGan的优化器根据嵌入网络、恢复网络、序列生成器和序列鉴别器中的损失函数优化模型,得到训练好的TimeGan模型。
步骤4,利用训练好的TimeGan模型进行扩充数据,得到合成的故障数据样本,将合成的故障数据样本、故障数据样本和正常数据样本合并,得到数据集;
步骤5,按照指定比例先将数据集划分为训练集和测试集,之后再对训练集和测试集中的每个数据样本进行归一化处理,最后对训练集和测试集中的每个数据样本进行Harr小波特征提取和时域统计参量特征提取;
步骤6,选用PCA对步骤5得到的训练集和测试集的Harr小波特征、时域统计参量特征的特征向量进行特征选择,确定测试样本的特征向量集和训练样本的特征向量集;
步骤7,计算测试样本的特征向量与每类训练样本的特征向量的加权欧式距离;
步骤8,采用KNN算法确定待分类测试样本的类别。
2.根据权利要求1所述的基于改进TimeGan模型的小样本数据故障诊断方法,其特征在于,在所述步骤1中,采用遗传交叉变异的方法对步骤1中的故障数据进行预处理,得到深度学习训练所需的原始故障样本。
3.根据权利要求2所述的基于改进TimeGan模型的小样本数据故障诊断方法,其特征在于,在所述步骤8中,采用KNN算法确定待分类测试样本的类别具体为:首先选取一个K值,将步骤7的结果进行升序排列,再寻找距离测试样本最近K个最优训练样本;之后统计K个样本出现的总权重并降序排列,选取权重最高的故障模式,判断此类别对应的故障个数是否唯一,如果不唯一则设置K=K+1继续重复分类步骤,直到唯一确定待分类样本的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110950739.9A CN113837002B (zh) | 2021-08-18 | 2021-08-18 | 基于改进TimeGan模型的小样本数据故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110950739.9A CN113837002B (zh) | 2021-08-18 | 2021-08-18 | 基于改进TimeGan模型的小样本数据故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837002A CN113837002A (zh) | 2021-12-24 |
CN113837002B true CN113837002B (zh) | 2024-04-23 |
Family
ID=78960844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110950739.9A Active CN113837002B (zh) | 2021-08-18 | 2021-08-18 | 基于改进TimeGan模型的小样本数据故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837002B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112733444A (zh) * | 2020-12-30 | 2021-04-30 | 浙江大学 | 基于CycleGAN神经网络的多步长时间序列预测方法 |
CN112835709A (zh) * | 2020-12-17 | 2021-05-25 | 华南理工大学 | 基于生成对抗网络的云负载时序数据生成方法、系统及介质 |
CN114692506A (zh) * | 2022-04-13 | 2022-07-01 | 浙江工业大学 | 一种基于改进TimeGAN模型的小样本故障诊断方法 |
CN115345222A (zh) * | 2022-07-27 | 2022-11-15 | 西安理工大学 | 一种基于TimeGAN模型的故障分类方法 |
CN115994325A (zh) * | 2023-03-24 | 2023-04-21 | 湖北省气象服务中心(湖北省专业气象服务台) | 基于TimeGAN深度学习方法的风机覆冰发电功率数据增强方法 |
CN116777196A (zh) * | 2023-03-31 | 2023-09-19 | 北京工商大学 | 一种基于lstm-dfgan的粮食加工过程污染物数据扩充及风险预测方法 |
-
2021
- 2021-08-18 CN CN202110950739.9A patent/CN113837002B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112835709A (zh) * | 2020-12-17 | 2021-05-25 | 华南理工大学 | 基于生成对抗网络的云负载时序数据生成方法、系统及介质 |
CN112733444A (zh) * | 2020-12-30 | 2021-04-30 | 浙江大学 | 基于CycleGAN神经网络的多步长时间序列预测方法 |
CN114692506A (zh) * | 2022-04-13 | 2022-07-01 | 浙江工业大学 | 一种基于改进TimeGAN模型的小样本故障诊断方法 |
CN115345222A (zh) * | 2022-07-27 | 2022-11-15 | 西安理工大学 | 一种基于TimeGAN模型的故障分类方法 |
CN115994325A (zh) * | 2023-03-24 | 2023-04-21 | 湖北省气象服务中心(湖北省专业气象服务台) | 基于TimeGAN深度学习方法的风机覆冰发电功率数据增强方法 |
CN116777196A (zh) * | 2023-03-31 | 2023-09-19 | 北京工商大学 | 一种基于lstm-dfgan的粮食加工过程污染物数据扩充及风险预测方法 |
Non-Patent Citations (6)
Title |
---|
Time series generator adversarial network with stochastic process for the degradation generation and prediction;Anqi Shangguan1, Nan Feng1, Lingxia Mu1, Rong Fei2, Xinhong Hei2, Guo Xie1;《2023 IEEE 12th Data Driven Control and Learning Systems Conference》;20230514;全文 * |
Xinhong Hei ; Hao Zhang ; Wenjiang Ji ; Yichuan Wang ; Lei Zhu ; Yuan Qiu.ConvCatb: An Attention-based CNN-CATBOOST Risk Prediction Model for Driving Safety.《IEEE》.2021,全文. * |
Xinhong Hei,Yichuan Wang,Wenjiang Ji,Xinyu Jiang.Network Flow Analytics: Multi-Class Classification of DDoS Attacks Based on OKNN.《International Conference on Networking Application》.2020,全文. * |
基于多任务学习的光网络故障管理技术研究;张馨月;《中国优秀硕士学位论文全文数据库》;20240123;全文 * |
基于深度学习的滚动轴承故障诊断和RUL 预测方法研究;张天缘;《中国优秀硕士学位论文全文数据库》;20240115;全文 * |
基于深度学习的风电机组轴承故障融合诊断方法研究;卢帅;《中国优秀硕士学位论文全文数据库》;20240118;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113837002A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986869B (zh) | 一种使用多模型预测的磁盘故障检测方法 | |
CN110213222B (zh) | 基于机器学习的网络入侵检测方法 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN112491796B (zh) | 一种基于卷积神经网络的入侵检测及语义决策树量化解释方法 | |
CN110533116A (zh) | 基于欧式距离的自适应集成的不平衡数据分类方法 | |
CN112039903B (zh) | 基于深度自编码神经网络模型的网络安全态势评估方法 | |
CN112926045B (zh) | 一种基于逻辑回归模型的群控设备识别方法 | |
CN111191720B (zh) | 一种业务场景的识别方法、装置及电子设备 | |
CN113949549B (zh) | 一种面向入侵和攻击防御的实时流量异常检测方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN111478904A (zh) | 一种基于概念漂移的物联网设备通信异常检测方法及装置 | |
CN111950645A (zh) | 一种通过改进随机森林提高类不平衡分类性能的方法 | |
CN104850868A (zh) | 一种基于k-means和神经网络聚类的客户细分方法 | |
CN115130578A (zh) | 一种基于增量式粗糙聚类的配电设备状态在线评估方法 | |
CN114818809B (zh) | 基于交叉小波的sca-svm电机滚动轴承的故障诊断方法 | |
CN116796271A (zh) | 一种居民用能异常识别方法 | |
CN117782198B (zh) | 一种基于云边端架构的公路机电设备运行监测方法及系统 | |
CN113837002B (zh) | 基于改进TimeGan模型的小样本数据故障诊断方法 | |
CN113343123A (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
CN115659258B (zh) | 一种基于多尺度图卷积孪生网络的配电网故障检测方法 | |
CN114666273B (zh) | 一种面向应用层未知网络协议的流量分类方法 | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
CN113919415A (zh) | 一种基于无监督算法的异常群组检测方法 | |
CN108154164A (zh) | 基于深度学习的通信信号调制分类系统及方法 | |
CN112785004A (zh) | 一种基于粗糙集理论和d-s证据理论的温室智能决策方法 |
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 |