CN114091654A - 一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法 - Google Patents
一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法 Download PDFInfo
- Publication number
- CN114091654A CN114091654A CN202111343969.5A CN202111343969A CN114091654A CN 114091654 A CN114091654 A CN 114091654A CN 202111343969 A CN202111343969 A CN 202111343969A CN 114091654 A CN114091654 A CN 114091654A
- Authority
- CN
- China
- Prior art keywords
- test data
- compressive strength
- data
- cement concrete
- convolution
- 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.)
- Granted
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000004568 cement Substances 0.000 title claims abstract description 30
- 239000000463 material Substances 0.000 title claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000013136 deep learning model Methods 0.000 claims abstract description 8
- 238000007619 statistical method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 239000010881 fly ash Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 239000003638 chemical reducing agent Substances 0.000 claims description 4
- 239000002893 slag Substances 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 4
- 239000010883 coal ash Substances 0.000 claims 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/38—Concrete; Lime; Mortar; Gypsum; Bricks; Ceramics; Glass
- G01N33/383—Concrete or cement
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/91—Use of waste materials as fillers for mortars or concrete
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Ceramic Engineering (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法,结合深度卷积对抗生成网络对小批量试验数据进行扩增,以达到深度学习模型预测精度提升的效果。使用计算机技术对原始试验数据进行变量统计分析及数据集制作。本发明先对室内抗压强度试验获取的数据进行深度卷积对抗生成网络数据增强,学习试验数据之间的关键信息,使得试验数据样本物理特征相对更加明显,更易被机器捕捉特征,有助于提高模型的预测精度和泛化能力,减少过拟合。在此基础上,基于深度学习模型一维卷积神经网络(1DCNN)和二维卷积神经网络(VGG)对扩增后的实验数据集进行混凝土抗压强度预测。此外,本发明不仅可以节约人工和时间成本,还可以为后续的道路材料性能分析奠定基础。
Description
技术领域
本发明属于道路材料性能分析领域,涉及一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法。本发明应用于利用水泥混凝土抗压强度试验获取的试验数据进行数据增强。
背景技术
水泥混凝土路面在农村公路等低等级道路应用广泛,其强度高且使用周期长,但是损坏后维修难度大。裂缝、坑槽等病害在一定程度上影响行车的安全性和舒适性,因此,混凝土抗压强度作为重要性能控制指标之一,能够快速、有效地获得混凝土抗压强度值,对于前期材料配合比设计具有重要的指导意义,从而最大程度上延长水泥路面的服役寿命。
目前大部分的混凝土抗压强度直接测定工作都需要大量的人工和时间成本,通过现场物理试验直接获取。与传统试验方法不同是,还提出了一些经验回归的方法来预测混凝土强度,这样的方法的确节省大量的时间,但是获取的混凝土抗压强度预测值与实际值偏差较大。受益于人工智能技术的发展,机器学习方法被逐渐应用于道路材料性能分析领域,能够快速高效地对获得的试验数据进行分析和预测,节约时间,降低成本,而且得到的结果较为精确。
目前基于室内试验的混凝土抗压强度直接测定方法经常面临获取的试验数据集小,以及混凝土试件制作的时间成本高等问题,数据增强技术不仅可以减少室内试验的工作量,还可以为深度学习模型带来可观的性能提升,提高准确性和稳定性,并减少过度拟合。
因此,本发明提出了一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法。本发明首先获取一份包含1030组的试验数据作为数据集,然后对该数据集的各个变量进行统计分析以探究其关系,从而去掉相关性较小的特征变量进行数据降维,最后基于深度卷积生成网络进行数据扩增到50208组,以扩充样本数量,为之后的混凝土抗压强度预测工作奠定基础。
发明内容
本发明的目的在于通过深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法,对混凝土抗压强度试验数据进行深度扩充,有效提升根据试验数据中影响因素预测抗压强度的精度。本试验数据包括水泥、高炉矿渣、粉煤灰、水、减水剂、粗集料、细集料、龄期和抗压强度。
一、深度卷积对抗生成网络
本发明采用的深度卷积对抗生成网络模型使用了卷积神经网络来替代对抗生成网络中的多层感知机,在原始的对抗生成网络模型的基础上进行以下改进:(1)以反卷积代替池化操作;(2)添加了批标准化的操作,以稳定学习训练过程;(3)除生成器的输出层使用Tanh激活函数之外其他层使用ReLU激活函数,判别器的所有层采用LeakyReLU激活函数。
本发明采用的对抗生成网络包括两部分结构,即生成器和判别器。两者组成互相博弈的双方,经过不断迭代更新,学习病害特征,使得生成器具有良好的生成试验数据的能力,判别器具有良好的鉴别数据真假能力,如图1所示。
本发明采用的技术方案为一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法,包括试验数据的变量统计分析、数据集制作、深度卷积对抗网络数据增强、基于深度学习模型的混凝土抗压强度预测四大部分,如图2所示,具体步骤如下:
步骤一:试验数据的变量统计分析;
首先,将数据集中每个变量进行相关性分析,根据皮尔逊相关性系数衡量特征之间的相关性。
其次,将数据集中的每个变量进行可视化分析,可以观察成对变量之间的分布关系和每一个单独变量的分布情况。
最后,由于粉煤灰的相关性不大将其去除。
步骤二:数据集制作;
把试验数据集按照训练集和测试集比例约为9:1进行划分。
步骤三:深度卷积对抗生成网络数据增强;
深度卷积对抗生成网络由生成器和判别器两部分构成。生成器随机获取100维向量作为输入,首先重构为128张6×1的特征图,后接三个大小为3×3,步长为1的反卷积层和一个大小为3×3,步长为1的卷积层。生成新的虚假试验数据,随后输入判别器。判别器采用四个大小为3×3,步长为2的卷积层,后接两个64和1的全连接层;最后,输出该试验数据预测为真/假数据的概率及预测结果。
步骤四:基于深度学习模型的混凝土抗压强度预测;
1D CNN由四个一维卷积层和两个全连接层构成。一维卷积层的卷积核尺寸分别分3、2、1和1,数量为64、64、32和32。每层卷积层后接一个大小为2、步幅为1最大池化层。全连接层的单元数量为256和64。以上每层均使用ReLU激活函数。
VGG是在原始VGG-16的基础上删除了三个512的卷积层,具体表现为:两个尺寸为3×3、数量为64的卷积层,两个尺寸为3×3、数量为128的卷积层,三个尺寸为3×3、数量为256的卷积层,三个尺寸为3×3、数量为512的卷积层。每组卷积层后接一个大小为1、步幅为2最大池化层。全连接层的单元数量分别为4096。以上每层均使用ReLU激活函数。
本发明可以利用室内试验获取小批量的混凝土抗压强度试验数据,通过深度卷积对抗生成网络方法,生成新的高质量试验数据,使得试验数据的变量特征更加明显,同时扩充样本数量,提高抗压强度预测模型的准确性和稳定性,并减少过度拟合。此外,利用本发明可以训练出更为稳定的深度学习预测模型有效减少人工成本和时间损耗,经过处理的数据可以为后续混凝土抗压强度预测模型的训练奠定基础。
附图说明
图1为对抗生成网络算法流程示意图
图2为方法实施步骤图
图3为变量统计分析图
图4为数据集描述图
图5为深度卷积对抗生成网络生成器框架示意图
图6为深度卷积对抗生成网络判别器框架示意图
图7为增强前后深度学习模型抗压强度预测结果对比图
具体实施方式
本发明所采用的原始试验数据集为室内抗压强度试验获得的数据。具体实施步骤如下:
(1)相关性分析
基于室内试验获取的混凝土抗压强度,它是预测目标数据的实测值。室内试验获得的所有数据包括很多特征,探究这些特征之间的联系以及和预测目标之间的关联度极为关键。本发明是初步设想通过水泥、高炉矿渣、粉煤灰、水、减水剂、粗集料、细集料、龄期这几个因素来预测抗压强度,如果可以正确地减少一些特征数量将会有助于模型进行大量运算,例如提高精度、降低过拟合的风险等。因此,有必要对这些特征变量进行相关性分析。首先,对试验数据中的所有变量进行相关性分析;然后,利用皮尔逊相关性系数衡量特征之间的相关性,得相关性分析热图,如图3所示。皮尔逊相关性系数数值越接近1或-1,越具有正负相关性。最后,根据分析结果显示粉煤灰与目标预测值的相关性很小,将其从输入端去除。
(2)可视化分析
该数据集涉及到水泥、高炉矿渣、粉煤灰、水、减水剂、粗集料、细集料、龄期和抗压强度多个变量,为探究各个变量的成对关系以及每个单独变量的分布情况,创建一个由多个坐标轴构成的矩阵进行可视化。把两两变量之间的关系分别绘制在不同的坐标轴上去。此外,将每个变量自己的分布情况显示在对角线的位置。如图3所示。根据可视化分析结果可以看出各个变量之间具有一定关联性。
(3)数据集制作
为满足监督学习的需要,将数据集按照训练集和测试集比例约为9:1进行划分。数据集描述如图4所示。在训练过程中为了监测模型的训练效果,从训练集中划分20%作为验证集。
(4)深度卷积对抗生成网络数据增强
本发明采用的深度卷积对抗生成网络模型由生成器和判别器两部分构成,使用反卷积层来替换池化层,在生成器和判别器中使用批标准化的操作来稳定学习训练过程,解决了初始化差的问题,同时保住梯度传播到每一层,也能够防止生成器把所有的样本都收敛到同一个点。生成器中,除去最后一层使用Tanh之外,每一层都使用ReLU函数来激活;判别器中,所有层都采用LeakReLU激活函数。
本发明的生成器框架示意图如图5。生成器随机获取100维向量作为输入,首先重构为128张6×1的特征图,然后采用三个大小为3×3,步长为1的反卷积层和一个大小为3×3,步长为1的卷积层。此时生成器生成大小为48×8的虚假试验数据,随后输入判别器。判别器采用四个大小为3×3,步长为2的卷积层,后接两个64和1的全连接层。最后,输出该试验数据预测为真/假数据的概率及预测结果,判别器网络如图6所示。试验数据相对图片来说,其实是一种更为简单的矩阵形式,因此DCGAN可以更好地发挥强大的生成能力。生成器接受到呈高斯分布的随机噪声,它的目的是将这些分布更好地近似于真实数据的分布,由于生成器的卷积结构可以较好捕捉到这些特征信息,因此不断地将更好的生成数据输出到判别器中。在整个博弈训练过程中,判别器的分辨真实数据和虚假数据的能力不断提升,这种能力被以概率值输出。最后,生成器可以产生出更逼真的合成数据直到判别器难以分辨。
本发明使用的LeakyReLU以及Tanh函数表示如下:
对于学习方法,使用Adam方法对模型参数进行优化,Adam方法是一种简单、计算效率高的随机目标函数梯度优化算法。该方法在处理稀疏梯度和处理非平稳目标方面具有两个优势。由于Adam可以很好地适用于广泛的非凸优化问题,所以在本发明中使用了它。
Adam保持过去的平均平方梯度vt在指数衰减的趋势。它也有一个指数衰减趋势的过去梯度mt的平均值,并在误差面有一个平坦的最小值的偏好。然后,计算过去的衰减平均值和过去的平方梯度mt和vt相应地如下:
mt=β1mt-1+(1-β1)gt (5)
其中mt和vt分别是梯度的第一阶矩(均值)和第二阶矩(无中心方差)的估计值。该算法保持图像矩阵随机梯度下降保持单一的学习率,更新对抗生成网络中的所有权重。
由于mt和vt初始化为0的向量,它们偏向于0,这些偏向可以计算为:
然后使用这些t并更新参数为:
β1默认值为0.9,β2的默认值为0.999,∈的默认值为10-8。每个epoch是神经网络训练一次遍历整个数据集的全过程,包括向前和向后。在本发明中学习率为0.0002。
经观测,随着迭代次数的增加,试验数据特征逐渐清晰,训练10000代后,所使用的对抗生成网络已经能够生成较为逼真的试验数据。
(5)基于深度学习模型的混凝土抗压强度预测
本发明采用的1D CNN利用其一维卷积结构提取试验数据之间的物理特征;采用的VGG利用其二维卷积结构对试验数据的语义依赖关系进行捕捉并学习特征之间的映射关系。卷积层主要由具有局部感知和参数共享特性的若干卷积核构成,通过执行卷积运算提取输入数据的特征,学习到多种特征的同时可减小计算参数和计算量。该发明将具有提取固定性质的卷积层组成深层结构,从而较好的捕捉试验数据多维特征信息,改善模型训练效果,提高预测模型鲁棒性和精度。增强后预测效果对比如图7所示。
1D CNN网络由4个一维卷积层两个全连接层构成,一共有6层。一维卷积核尺寸分别分3、2、1和1,数量为64、64、32和32,每层均使用ReLU激活函数,每个一维卷积层后接一个大小为2、步幅为1的最大池化层,四个一维卷积层后连接两个单元数为256和64的全连接层。此时,输入数据经过每层的一维卷积后其内部的固定特征被网络提取,每层经过ReLU激活函数后,再经过一个步幅为1的最大池化层。最后,在全连接层将所有卷积结构提取的特征进行融合并获得预测信息,输出端将依次获得的预测信息作为输出。
VGG包含两个尺寸为3×3、数量为64的卷积层,两个尺寸为3×3、数量为128的卷积层,三个尺寸为3×3、数量为256的卷积层,三个尺寸为3×3、数量为512的卷积层。每组卷积层后接一个大小为1、步幅为2最大池化层。全连接层的单元数量分别为4096。以上每层均使用ReLU激活函数。此时,输入数据经过每层的二维卷积后其数据内部的关键信息以及输入和输出的映射关系被网络提取,每层经过ReLU激活函数后,每组3×3的卷积层后再经过一个步幅为2的最大池化层。最后在全连接层获得预测信息,输出端将依次获得的预测信息作为输出。
Claims (5)
1.一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法,其特征在于:利用水泥混凝土抗压强度试验获取的试验数据,并结合深度学习方法进行数据增强和预测分析,具体步骤如下:
步骤一:水泥混凝土抗压强度试验数据的变量统计分析;
首先,将水泥混凝土抗压强度试验的数据集中每个变量进行相关性分析,根据皮尔逊相关性系数衡量特征之间的相关性;
其次,将水泥混凝土抗压强度试验的数据集中的每个变量进行可视化分析,观察成对变量之间的分布关系和每一个单独变量的分布情况;
将水泥混凝土抗压强度试验的数据集中的粉煤灰数据去除;
步骤二:步骤一的变量统计分析后的水泥混凝土抗压强度试验的数据集进行制作;
具体地,把水泥混凝土抗压强度试验数据集按照训练集和测试集比例为9:1进行划分;
步骤三:深度卷积对抗生成网络数据增强;
深度卷积对抗生成网络由生成器和判别器两部分构成;生成器随机获取100维向量作为输入,首先重构为128张6×1的特征图,后接三个大小为3×3,步长为1的反卷积层和一个大小为3×3,步长为1的卷积层;生成新的虚假试验数据,随后输入判别器;判别器采用四个大小为3×3,步长为2的卷积层,后接两个64和1的全连接层;最后,输出水泥混凝土抗压强度的试验数据预测为真/假数据的概率及预测结果;通过深度卷积对抗生成网络方法,生成新的高质量试验数据,使得试验数据的变量特征更加明显,同时扩充样本数量,提高抗压强度预测模型的准确性和稳定性,并减少过度拟合;
步骤四:基于深度学习模型的混凝土抗压强度预测;
1D CNN由四个一维卷积层和两个全连接层构成;一维卷积层的卷积核尺寸分别分3、2、1和1,数量为64、64、32和32;每层卷积层后接一个大小为2、步幅为1最大池化层;全连接层的单元数量为256和64;以上每层均使用ReLU激活函数;
VGG是在原始VGG-16的基础上删除三个512的卷积层,具体表现为:两个尺寸为3×3、数量为64的卷积层,两个尺寸为3×3、数量为128的卷积层,三个尺寸为3×3、数量为256的卷积层,三个尺寸为3×3、数量为512的卷积层;每组卷积层后接一个大小为1、步幅为2最大池化层;全连接层的单元数量分别为4096,每层均使用ReLU激活函数。
2.根据权利要求1所述的一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法,其特征在于,在水泥混凝土抗压强度试验数据集的变量统计分析基础上,利用相关性分析去除相关性不大的数据以进行降维,然后将数据集切分成若干的48×8的矩阵形式,再输入深度卷积对抗生成网络,能够学习水泥混凝土抗压强度试验数据的重要特征,生成高质量水泥混凝土抗压强度试验数据。
3.根据权利要求1所述的一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法,其特征在于,采用深度卷积对抗生成网络模型在原始模型进行以下改进:(1)反卷积代替池化操作;(2)添加批标准化的操作,稳定学习训练过程;(3)除生成器的输出层使用Tanh激活函数之外其他层使用ReLU激活函数,判别器的所有层采用LeakyReLU激活函数。
4.根据权利要求1所述的一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法,其特征在于,所述的相关性分析中,通过水泥、高炉矿渣、粉煤灰、水、减水剂、粗集料、细集料、龄期来预测抗压强度,对试验数据中的所有变量进行相关性分析;然后,利用皮尔逊相关性系数衡量特征之间的相关性,得相关性分析热图,皮尔逊相关性系数数值越接近1或-1,越具有正负相关性;粉煤灰与目标预测值的相关性小,将粉煤灰从输入端去除。
5.根据权利要求1所述的一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法,其特征在于,所述的可视化分析中,创建一个由多个坐标轴构成的矩阵进行可视化;把两两变量之间的关系分别绘制在不同的坐标轴上去;将每个变量自己的分布情况显示在对角线的位置,根据可视化分析结果看出各个变量之间具有一定关联性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111343969.5A CN114091654B (zh) | 2021-11-14 | 2021-11-14 | 一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111343969.5A CN114091654B (zh) | 2021-11-14 | 2021-11-14 | 一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091654A true CN114091654A (zh) | 2022-02-25 |
CN114091654B CN114091654B (zh) | 2024-04-12 |
Family
ID=80300499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111343969.5A Active CN114091654B (zh) | 2021-11-14 | 2021-11-14 | 一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091654B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN112767344A (zh) * | 2021-01-16 | 2021-05-07 | 北京工业大学 | 一种基于车载摄像的耦合传统和机器学习的病害增强方法 |
CN113034411A (zh) * | 2020-12-19 | 2021-06-25 | 北京工业大学 | 一种耦合传统方法和深度卷积对抗生成网络的道路病害图片增强方法 |
-
2021
- 2021-11-14 CN CN202111343969.5A patent/CN114091654B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018028255A1 (zh) * | 2016-08-11 | 2018-02-15 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
CN113034411A (zh) * | 2020-12-19 | 2021-06-25 | 北京工业大学 | 一种耦合传统方法和深度卷积对抗生成网络的道路病害图片增强方法 |
CN112767344A (zh) * | 2021-01-16 | 2021-05-07 | 北京工业大学 | 一种基于车载摄像的耦合传统和机器学习的病害增强方法 |
Non-Patent Citations (1)
Title |
---|
李春阳等: "基于深度学习的洗衣机异常音检测", 《山东大学学报(工学版)》, no. 02, 20 February 2020 (2020-02-20), pages 109 * |
Also Published As
Publication number | Publication date |
---|---|
CN114091654B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659718A (zh) | 基于深度卷积神经网络的小卷积核细胞计数方法及系统 | |
CN109345507A (zh) | 一种基于迁移学习的大坝图像裂缝检测方法 | |
Xu et al. | Pavement crack detection algorithm based on generative adversarial network and convolutional neural network under small samples | |
CN112101432B (zh) | 一种基于深度学习的材料显微图像与性能双向预测方法 | |
CN111382676A (zh) | 一种基于注意力机制的沙粒图像分类方法 | |
CN112560966B (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
CN111860596A (zh) | 基于深度学习的无监督路面裂缝分类方法及模型建立方法 | |
Guo et al. | Estimating cement compressive strength using three-dimensional microstructure images and deep belief network | |
CN111859814B (zh) | 基于lstm深度学习的岩石时效变形预测方法及其系统 | |
CN114897804A (zh) | 基于自监督学习的探地雷达隧道衬砌质量检测方法 | |
CN113034411A (zh) | 一种耦合传统方法和深度卷积对抗生成网络的道路病害图片增强方法 | |
Li et al. | A deep learning method for material performance recognition in laser additive manufacturing | |
CN112950570A (zh) | 一种结合深度学习与密集连续中心点的裂纹检测方法 | |
CN112785479B (zh) | 一种基于少样本学习的图像隐形水印通用检测方法 | |
CN114049503A (zh) | 一种基于非端到端深度学习网络的显著性区域检测方法 | |
Lee et al. | Predicting Concrete Compressive Strength Using Deep Convolutional Neural Network Based on Image Characteristics. | |
CN114091654A (zh) | 一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法 | |
CN111815625A (zh) | 基于深度学习的早期肺癌预测方法 | |
Ikromjanov et al. | Multi-class classification of histopathology images using fine-tuning techniques of transfer learning | |
CN112215351B (zh) | 增强的多尺度卷积神经网络软测量方法 | |
CN113345588A (zh) | 一种不完备数据集快速属性约简方法 | |
CN112884739B (zh) | 一种基于深度学习网络的堆石体填筑密实度快速检测方法 | |
CN113361209A (zh) | 一种高温合金表面缺陷磁异常定量分析方法 | |
CN113850855B (zh) | 一种耦合传统方法和wgan-gp的道路纹理图片增强方法 | |
CN112581367B (zh) | 基于随机样本分类增扩的gpr图像超分辨率重建方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Chen Ning Inventor after: Zhao Shibo Inventor after: Hou Yue Inventor after: Liu Zhuo Inventor after: Chen Yanyan Inventor before: Hou Yue Inventor before: Zhao Shibo Inventor before: Chen Ning Inventor before: Liu Zhuo Inventor before: Chen Yanyan |
|
GR01 | Patent grant | ||
GR01 | Patent grant |