CN113917938B - 小样本条件下的飞行器姿态控制数据增强和模型训练方法 - Google Patents
小样本条件下的飞行器姿态控制数据增强和模型训练方法 Download PDFInfo
- Publication number
- CN113917938B CN113917938B CN202111173142.4A CN202111173142A CN113917938B CN 113917938 B CN113917938 B CN 113917938B CN 202111173142 A CN202111173142 A CN 202111173142A CN 113917938 B CN113917938 B CN 113917938B
- Authority
- CN
- China
- Prior art keywords
- generator
- neural network
- training
- data
- network 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
- 238000012549 training Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种小样本条件下的飞行器姿态控制数据增强和模型训练方法,包括:将飞行器姿态控制的训练集分解成多份子训练集;随机选取一份子训练集,训练第一生成器、第二生成器和第三生成器的神经网络参数;第一生成器、第二生成器和第三生成器分别依据各自的数据增强方式在神经网络模型中进行数据增强;计算出第一生成器、第二生成器和第三生成器在神经网络模型中的重要性权值;根据第一生成器、第二生成器和第三生成器的重要性权值,设置神经网络模型的目标函数;进行神经网络模型参数的训练;判断训练的迭代次数超过给定阈值;是,则终止训练;否,则重新选择子训练集进行训练。本发明提升了种小样本条件下神经网络模型的分类任务性能。
Description
技术领域
本发明涉及飞行器姿态控制技术领域及神经网络技术领域,尤其涉及一种小样本条件下的飞行器姿态控制数据增强和模型训练方法。
背景技术
随着航天技术的不断发展,飞行器己在众多领域得到越来越广泛的应用。飞行器姿态控制系统是飞行器控制中的重要组成部分,它关系着入轨后的飞行器能否较好的发挥效能。飞行器姿态控制系统是一个多变量、非线性、时变的复杂系统。
传统飞行器姿态预测方法主要基于PID控制,PID控制虽然可以解决一般条件下的姿态控制问题,但是在飞行器受到较大干扰时会导致控制系统不稳定,需要较长的时间达到最优控制。
把传统的控制与神经网络技术相结合,可以通过人工智能模型的优化提高对飞行器姿态的控制。但目前飞行器的飞行数据较为有限,尤其对于一些特殊用途飞行器,其飞行试验及实际应用数据更是不足以支撑现有的人工智能模型学习,使得人工智能模型的任务性能受到限制。
但目前,基于数据增强的小样本学习方法缺乏有效的数据增强和模型训练准则。基于人工准则的数据增强方式虽然融合先验知识和数据结构信息,但是由于人工准则与机器学习模型结构的相容性具有不确定性,所以增强数据对人工智能模型性能提升效果受到限制。基于生成模型的数据增强方法利用变分自编码器(VAE)与对抗生成网络(GAN)等深度生成模型生成数据对源数据集进行数据增强。但是由于深度生成模型缺乏可解释性,因此生成的数据与人工智能模型结构的优化缺乏关联,因此对提升人工智能模型的任务性能具有不确定性。
发明内容
鉴于上述的分析,本发明旨在提供一种小样本条件下的飞行器姿态控制数据增强和模型训练方法,解决当人工智能模型的训练数据不足时,飞行器姿态控制任务性能受到限制问题。
本发明提供的技术方案是:
本发明公开了一种小样本条件下的飞行器姿态控制数据增强和模型训练方法,包括以下步骤:
步骤S1、将飞行器姿态控制的训练集分解成多份子训练集;
步骤S2、随机选取一份子训练集,训练第一生成器、第二生成器和第三生成器的神经网络参数;所述第一生成器、第二生成器和第三生成器分别依据各自的数据增强方式在神经网络模型中进行数据增强;
步骤S3、计算出第一生成器、第二生成器和第三生成器在神经网络模型中的重要性权值;
步骤S4、根据第一生成器、第二生成器和第三生成器的重要性权值,设置神经网络模型的目标函数;进行神经网络模型参数的训练;
步骤S5、判断训练的迭代次数超过给定阈值;是,则终止训练;否,则返回到步骤S2。
进一步地,所述飞行器姿态控制的训练集其中n为训练集中数据个数,xi表示飞行器受力状态的6维向量,包括升力矢量、阻力矢量、法向过载、飞行器目前的偏航角、俯仰角和滚转角;yi为表示飞行器下一时刻姿态预测结果的6维向量,包括下一个时刻的偏航角、俯仰角和滚转角、PID控制中的比例增益P、积分时间常数Ti和微分时间常数Pd。
进一步地,对所述飞行器姿态控制的训练集采用平均分解的方式,分解成nt份子训练集;子训练集的形式为{(xi,yi)}k,k=1...nt。
进一步地,用于姿态预测的所述神经网络模型为f(x,θ);神经网络模型中间层的输出是f′(x,θ),其中θ为神经网络的参数;所述神经网络模型的分类任务训练过程等价于求解的优化问题;其中l(f(xi,θ),yi)为分类任务的交叉熵损失函数。
进一步地,训练所述第一生成器,用于使得生成器生成数据在原始空间中与真实数据距离较大;同时在神经网络模型中间层的输出与真实数据距离较小的数据;
训练所述第二生成器,用于使得生成器生成数据在原始空间中与真实数据距离较小,同时关于神经网络的损失函数的梯度较大;
训练所述第三生成器,用于使得生成器生成数据在与原始数据相近的前提下,使得神经网络模型输出的结果与理想数据结果距离较远。
进一步地,所述第一生成器G1(x,φ1)的目标函数为;
其中,α1为给定的权值参数;φ1为第一生成器的网络参数。
进一步地,所述第二生成器G2(x,φ2)目标函数为:
其中,Jl(f(x,θ),y)为损失函数l(f(x,θ),y)关于θ的Jacobian矩阵,α2为给定的权值参数,φ2为第二生成器的网络参数。
进一步地,所述第三生成器G3(x,φ3)目标函数为:
其中,l(f(x,θ),y)为损失函数,α3为给定的权值参数,φ3为第三生成器的网络参数。
进一步地,第一生成器G1(xi,φ1)、第二生成器G3(xi,φ3)和第三生成器G2(xi,φ2)的重要性权值w1i、w2i和w3i为:
其中,Jl(f(x,θ),y)为损失函数l(f(x,θ),y)关于θ的Jacobian矩阵;i=nk- 1...nk。
进一步地,训练神经网络模型f的参数θ,其目标函数如下:
其中,c是给定的权值系数。
本发明的有益效果:
本发明改进了基于生成模型的小样本数据增强方法。传统的生成模型生成的数据与神经网络模型结构的相容性具有不确定性,因此生成的增强数据对模型的影响性能有限。提出结合深度神经网络模型结构特点的三种数据增强方法和神经网络模型对增强数据的对抗训练方式,从不同角度克服神经网络模型在小样本条件下模型结构性能的退化现象,提升神经网络模型的分类任务性能。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本发明实施例中飞行器姿态控制数据增强和模型训练方法流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理。
本实施例公开了一种小样本条件下的飞行器姿态控制数据增强和模型训练方法,如图1所示,包括以下步骤:
步骤S1、将飞行器姿态控制的训练集分解成多份子训练集;
步骤S2、随机选取一份子训练集,训练第一生成器、第二生成器和第三生成器的神经网络参数;所述第一生成器、第二生成器和第三生成器中采用不同的增强数据的数据增强方式;
步骤S3、通过训练计算出第一生成器、第二生成器和第三生成器在神经网络模型中的重要性权值;
步骤S4、根据第一生成器、第二生成器和第三生成器的重要性权值,设置神经网络模型的目标函数;进行神经网络模型参数的训练;
步骤S5、判断训练的迭代次数超过给定阈值;是,则终止;否,则返回到步骤S2。
具体的,给定训练数据其中n为数据个数,xi表示飞行器受力状态的6维向量,主要包括升力矢量、阻力矢量、法向过载、飞行器目前的偏航角、俯仰角和滚转角,yi为表示飞行器下一时刻姿态预测结果的6维向量,主要包括下一个时刻的偏航角、俯仰角和滚转角、PID控制中的比例增益P、积分时间常数Ti和微分时间常数Pd。
本实施例中,将训练集采用平均分解的方式,分解成nt份子训练集,子训练集的形式为:{(xi,yi)}k,k=1…nt。
具体的,用于姿态预测的神经网络模型为f(x,θ),神经网络中间特征层的输出是f′(x,θ),其中θ为神经网络的参数;神经网络的分类任务训练过程等价于求解的优化问题;其中l(f(xi,θ),yi)为分类任务的交叉熵损失函数。
基于本实施例的神经网络模型,当数据个数n较小时,f(x,θ)可能趋近于函数而导致模型性能的退化。因此,在训练数据较少时,需进行数据增强。
具体的,步骤S2中,包括以下子步骤:
步骤S2.1、训练所述第一生成器,用于使得生成器生成数据在原始空间中与真实数据距离较大;同时在神经网络模型中间层的输出与真实数据距离较小;
优选的,所述第一生成器G1(x,φ1)的目标函数为:
其中,α1为给定的权值参数;φ1为第一生成器的网络参数。训练数据为随机选取的子训练集中所有数据。
步骤S2.2、训练所述第二生成器,用于使得生成器生成数据在原始空间中与真实数据距离较小,同时神经网络的损失函数的梯度较大;通过增强数据可以减少神经网络在小样本条件下结构光滑性的退化现象和神经网络过度学习小样本数据冗余特征的缺点。
所述第二生成器G2(x,φ2)目标函数为:
其中,Jl(f(x,θ),y)为损失函数l(f(x,θ),y)关于θ的Jacobian矩阵,α2为给定的权值参数,φ2为第二生成器的网络参数。训练数据为随机选取的子训练集中所有数据。
步骤S2.3、所述第三生成器,用于使得生成器生成数据在与原始数据相近的前提下,使得神经网络模型输出的结果与理想数据结果距离较远。
所述第三生成器G3(x,φ3)目标函数为:
其中,l(f(x,θ),y)为损失函数,α3为给定的权值参数,φ3为第三生成器的网络参数。训练数据为随机选取的子训练集中所有数据。
具体的,在步骤S3中根据所选训练子集中的训练数据,计算第一生成器G1(xi,φ1)、第二生成器G3(xi,φ3)和第三生成器G2(xi,φ2)的重要性权值w1i、w2i和w3i为:
其中,Jl(f(x,θ),y)为损失函数l(f(x,θ),y)关于θ的Jacobian矩阵。
在本步骤中,利用生成器生成增强数据,然后对增强数据进行重要性评分,得到利用评分加权的增强数据;通过这些增强数据对神经网络模型进行对抗训练可以让神经网络模型更加有效的针对具有良好训练效果的数据进行训练。
具体的,在步骤S4中,利用增强数据对神经网络模型进行训练的,训练神经网络模型f的参数θ,其目标函数如下:
其中c是给定的权值系数。
在所述目标函数中,通过第一项主要让神经网络模型进行分类任务,通过第二项使得数据之间的特征距离变大,通过第三、四项是让神经网络模型在增强数据中的分类正确率增强。
因此,在本实施例的神经网络模型对三个生成器生成的数据都进行训练后,通过不同生成器生成的数据提升了神经网络模型的效果。
具体的,在步骤S5中,如果迭代次数超过给定阈值ε,则终止;否则回到步骤S2。
综上所述,本实施例针对深度神经网络模型结构由于小样本条件而引起的分类任务性能退化机理,设计面向神经网络模型结构的数据增强方法和模型训练方法,提升基于传统生成模型的数据增强方法对神经网络结构的任务性能提升效果,通过深度神经网络应用于飞行器自动姿态预测,从而更好的完成姿态预测控制,实现在复杂环境条件下对飞行器姿态控制做出最佳决策,以达到飞行器姿态最有效率控制的目的。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种小样本条件下的飞行器姿态控制数据增强和模型训练方法,其特征在于,包括以下步骤:
步骤S1、将飞行器姿态控制的训练集分解成多份子训练集;
步骤S2、随机选取一份子训练集,训练第一生成器、第二生成器和第三生成器的神经网络参数;所述第一生成器、第二生成器和第三生成器分别依据各自的数据增强方式在神经网络模型中进行数据增强;
步骤S3、计算出第一生成器、第二生成器和第三生成器在神经网络模型中的重要性权值;
步骤S4、根据第一生成器、第二生成器和第三生成器的重要性权值,设置神经网络模型的目标函数;进行神经网络模型参数的训练;
步骤S5、判断训练的迭代次数是否超过给定阈值;是,则终止训练;否,则返回到步骤S2;
所述飞行器姿态控制的训练集,其中/>为训练集中数据个数,/>表示飞行器受力状态的6维向量,包括升力矢量、阻力矢量、法向过载、飞行器目前的偏航角、俯仰角和滚转角;/>为表示飞行器下一时刻姿态预测结果的6维向量,包括下一个时刻的偏航角、俯仰角和滚转角、PID控制中的比例增益P、积分时间常数Ti和微分时间常数Pd;
对所述飞行器姿态控制的训练集采用平均分解的方式,分解成/>份子训练集;子训练集的形式为/>;
用于姿态预测的所述神经网络模型为;神经网络模型中间层的输出是,其中/>为神经网络模型参数;所述神经网络模型的分类任务训练过程等价于求解/>的优化问题;其中/>为分类任务的交叉熵损失函数;
训练所述第一生成器,用于使得生成器生成数据在原始空间中与真实数据距离较大;同时在神经网络模型中间层的输出与真实数据距离较小的数据;
所述第一生成器的目标函数为;
;
其中,为给定的权值参数;/>为第一生成器的神经网络参数;
训练所述第二生成器,用于使得生成器生成数据在原始空间中与真实数据距离较小,同时关于神经网络的损失函数的梯度较大;
所述第二生成器目标函数为:
;
其中,为损失函数/>关于/>的Jacobian矩阵, />为给定的权值参数,/>为第二生成器的神经网络参数;
训练所述第三生成器,用于使得生成器生成数据在与原始数据相近的前提下,使得神经网络模型输出的结果与理想数据结果距离较远;
所述第三生成器目标函数为:
;
其中,为损失函数,/>为给定的权值参数,/>为第三生成器的神经网络参数;
在步骤S3中根据所选训练子集中的训练数据,计算第一生成器、第二生成器和第三生成器/>的重要性权值/>、/>和/>为:
;
;
;
其中,为损失函数/>关于/>的Jacobian矩阵;/>;
在本步骤中,利用生成器生成增强数据,然后对增强数据进行重要性评分,得到利用评分加权的增强数据;通过这些增强数据对神经网络模型进行对抗训练让神经网络模型更加有效的针对具有良好训练效果的数据进行训练;
训练神经网络模型f的神经网络模型参数,其目标函数如下:
;
其中,是给定的权值系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111173142.4A CN113917938B (zh) | 2021-10-08 | 2021-10-08 | 小样本条件下的飞行器姿态控制数据增强和模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111173142.4A CN113917938B (zh) | 2021-10-08 | 2021-10-08 | 小样本条件下的飞行器姿态控制数据增强和模型训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113917938A CN113917938A (zh) | 2022-01-11 |
CN113917938B true CN113917938B (zh) | 2024-04-19 |
Family
ID=79238485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111173142.4A Active CN113917938B (zh) | 2021-10-08 | 2021-10-08 | 小样本条件下的飞行器姿态控制数据增强和模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113917938B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857127A (zh) * | 2018-11-20 | 2019-06-07 | 深圳先进技术研究院 | 训练神经网络模型以及飞行器姿态解算的方法、装置 |
CN110188378A (zh) * | 2019-04-12 | 2019-08-30 | 浙江大学 | 一种基于神经网络的气动数据融合方法 |
CN110276144A (zh) * | 2019-06-26 | 2019-09-24 | 哈尔滨工业大学 | 一种垂直起降运载器气动参数在线辨识方法 |
CN111126794A (zh) * | 2019-12-06 | 2020-05-08 | 北京京航计算通讯研究所 | 基于小样本的数据增强及神经网络对抗训练系统 |
CN111126458A (zh) * | 2019-12-06 | 2020-05-08 | 北京京航计算通讯研究所 | 基于小样本的数据增强及神经网络对抗训练方法 |
CN111368977A (zh) * | 2020-02-28 | 2020-07-03 | 交叉信息核心技术研究院(西安)有限公司 | 一种提高卷积神经网络精确性和鲁棒性的增强数据增强方法 |
KR20200108609A (ko) * | 2019-03-11 | 2020-09-21 | 연세대학교 산학협력단 | 머신러닝 학습 데이터 증강장치 및 증강방법 |
CN112416293A (zh) * | 2020-11-24 | 2021-02-26 | 深圳市人工智能与机器人研究院 | 一种神经网络增强方法、系统及其应用 |
CN112418289A (zh) * | 2020-11-17 | 2021-02-26 | 北京京航计算通讯研究所 | 一种不完全标注数据的多标签分类处理方法及装置 |
WO2021057186A1 (zh) * | 2019-09-24 | 2021-04-01 | 华为技术有限公司 | 训练神经网络的方法、数据处理方法和相关装置 |
CN112766379A (zh) * | 2021-01-21 | 2021-05-07 | 中国科学技术大学 | 一种基于深度学习多权重损失函数的数据均衡方法 |
-
2021
- 2021-10-08 CN CN202111173142.4A patent/CN113917938B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857127A (zh) * | 2018-11-20 | 2019-06-07 | 深圳先进技术研究院 | 训练神经网络模型以及飞行器姿态解算的方法、装置 |
KR20200108609A (ko) * | 2019-03-11 | 2020-09-21 | 연세대학교 산학협력단 | 머신러닝 학습 데이터 증강장치 및 증강방법 |
CN110188378A (zh) * | 2019-04-12 | 2019-08-30 | 浙江大学 | 一种基于神经网络的气动数据融合方法 |
CN110276144A (zh) * | 2019-06-26 | 2019-09-24 | 哈尔滨工业大学 | 一种垂直起降运载器气动参数在线辨识方法 |
WO2021057186A1 (zh) * | 2019-09-24 | 2021-04-01 | 华为技术有限公司 | 训练神经网络的方法、数据处理方法和相关装置 |
CN111126794A (zh) * | 2019-12-06 | 2020-05-08 | 北京京航计算通讯研究所 | 基于小样本的数据增强及神经网络对抗训练系统 |
CN111126458A (zh) * | 2019-12-06 | 2020-05-08 | 北京京航计算通讯研究所 | 基于小样本的数据增强及神经网络对抗训练方法 |
CN111368977A (zh) * | 2020-02-28 | 2020-07-03 | 交叉信息核心技术研究院(西安)有限公司 | 一种提高卷积神经网络精确性和鲁棒性的增强数据增强方法 |
CN112418289A (zh) * | 2020-11-17 | 2021-02-26 | 北京京航计算通讯研究所 | 一种不完全标注数据的多标签分类处理方法及装置 |
CN112416293A (zh) * | 2020-11-24 | 2021-02-26 | 深圳市人工智能与机器人研究院 | 一种神经网络增强方法、系统及其应用 |
CN112766379A (zh) * | 2021-01-21 | 2021-05-07 | 中国科学技术大学 | 一种基于深度学习多权重损失函数的数据均衡方法 |
Non-Patent Citations (1)
Title |
---|
基于数据增强的仿真模型验证方法;聂凯;指挥控制与仿真;第41卷(第3期);第92-96页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113917938A (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523029B (zh) | 自适应双自驱动深度确定性策略梯度强化学习方法 | |
CN107179077B (zh) | 一种基于elm-lrf的自适应视觉导航方法 | |
CN108038507A (zh) | 基于粒子群优化的局部感受野极限学习机图像分类方法 | |
CN112717415B (zh) | 一种基于信息瓶颈理论的强化学习对战游戏ai训练方法 | |
CN107092987B (zh) | 一种中小型无人机自主着舰风速预测方法 | |
CN114217524A (zh) | 一种基于深度强化学习的电网实时自适应决策方法 | |
Zhang et al. | Evolving neural network classifiers and feature subset using artificial fish swarm | |
CN112596373A (zh) | 一种基于量子萤火虫算法的无人机姿控参数智能整定方法 | |
CN112100834A (zh) | 一种基于深度强化学习的水下滑翔机姿态控制方法 | |
CN111079790A (zh) | 一种构建类别中心的图像分类方法 | |
CN115272774A (zh) | 基于改进自适应差分进化算法的对抗样本攻击方法及系统 | |
CN113553918B (zh) | 一种基于脉冲主动学习的机打发票字符识别方法 | |
CN113917938B (zh) | 小样本条件下的飞行器姿态控制数据增强和模型训练方法 | |
Champasak et al. | Grid-based many-objective optimiser for aircraft conceptual design with multiple aircraft configurations | |
CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
CN108453737A (zh) | 一种基于神经网络的机器人动作轨迹获取系统及方法 | |
CN112966429A (zh) | 基于WGANs数据增强的非线性工业过程建模方法 | |
CN116032775A (zh) | 一种面向概念漂移的工业控制网络异常检测方法 | |
CN114489095B (zh) | 一种应用于变体飞行器的类脑脉冲神经网络控制方法 | |
CN116339373A (zh) | 一种蒙特卡洛自适应动态规划无人机控制方法及系统 | |
CN113971375B (zh) | 一种阵风环境下的无人机气动力预测方法 | |
CN115906959A (zh) | 基于de-bp算法的神经网络模型的参数训练方法 | |
CN113011081B (zh) | 一种基于元学习的无人机导航方法 | |
CN113807005A (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
Gong et al. | A path planning method based on improved particle swarm optimization algorithm |
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 |