CN114139607A - 基于CRWGAN-div的设备故障样本增强方法 - Google Patents
基于CRWGAN-div的设备故障样本增强方法 Download PDFInfo
- Publication number
- CN114139607A CN114139607A CN202111332826.4A CN202111332826A CN114139607A CN 114139607 A CN114139607 A CN 114139607A CN 202111332826 A CN202111332826 A CN 202111332826A CN 114139607 A CN114139607 A CN 114139607A
- Authority
- CN
- China
- Prior art keywords
- network
- sample
- div
- training set
- crwgan
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于CRWGAN‑div的设备故障样本增强方法,本发明结合WGAN‑div自身的强大数据生成能力,特别是对于噪声较多的设备故障数据,重构网络的引入能更好地指导生成网络的训练,提高了其训练稳定性,通过对生成网络输入的重构,加强了生成网络从潜在向量空间到样本空间的映射拟合能力,提高了生成样本的质量,与传统重叠采样方法相比,生成样本的多样性和质量大大提高。与现有的基于GAN的样本增强方法相比,CRWGAN‑div网络通过梯度惩罚和重构误差回传有效地解决了GAN训练不稳定、梯度消失、模式崩溃的问题。
Description
技术领域
本发明涉及一种设备故障样本增强方法,具体涉及基于CRWGAN-div的设备故障样本增强方法。
背景技术
随着智能工厂时代的到来,对重要机械设备进行智能故障诊断成为了一个关键的挑战,通过获取设备传感器数据来诊断设备运行是否正常是当前研究的主要热点。但在工厂实际生产应用中,由于设备大部分时间工作在正常状态,设备故障样本往往难于采集,在这种情况下采集的数据集训练出来的神经网络模型诊断效果较差,鲁棒性不强。如何对设备故障样本进行有效增强,以扩充已有数据集,并通过增强数据集训练出高精度的设备故障诊断模型,对设备智能故障诊断、减少设备维护成本具有重大的应用价值。
传统的样本增强方法有变换法,重叠采样法等。变换法是指通过翻转、缩放、平移等方式进行样本增强,该方法在图像领域用的较多,不适用于设备故障诊断领域。重叠采样是指从原始信号采集训练样本时,允许样本间有信号重叠,这种采样方法只是形式上的样本增强,且缺乏理论依据,用重叠采样法扩充设备故障样本容易引起诊断模型过拟合。
针对传统样本增强方法的缺点,目前用的最多且性能最好的是基于GAN的样本增强方法。基于GAN的样本增强方法是指通过生成对抗网络进行样本增强,该方法基于二人零和博弈思想交叉训练生成模型和判别模型,然后通过训练好的生成模型进行样本增强。但是GAN网络难以训练,且存在模式崩溃和梯度消散等问题。使用GAN网络进行设备故障样本增强时,这些问题变得愈发严重,而且生成的样本不一定是合格的样本。
综上所述,寻找一种有效的设备故障样本增强新方法,以替代现有的样本增强方法,成为了目前亟需解决的问题。
发明内容
为解决上述技术问题,本发明提出一种基于CRWGAN-div的设备故障样本增强方法,显著提高了生成对抗网络训练稳定性和生成样本的有效率,实现对设备故障样本的有效增强。
本发明的技术方案包括如下步骤:
1)准备原始数据,并将原始数据集划分为原始训练集Xs_train和测试集Xtest;
2)构建CRWGAN-div模型,并利用原始训练集Xs_train训练CRWGAN-div模型;
CRWGAN-div全称为Wasserstein Divergence for Conditional RestructuredGenerative Adversarial Network,即基于条件和重构的WGAN-div;CRWGAN-div神经网络具体分为生成网络G,判别网络D,重构网络R;在判别网络D中,设计有四层全连接层,神经元个数依次为512、256、128、1,除最后一层全连接层外,每一层全连接层后均接有PRelu非线性激活层;在生成网络G中,设计有五层全连接层,神经元个数依次为128、256、512、1024、2048,除最后一层全连接层外,每一层全连接层后均接有BN归一化层和LeakyRelu非线性激活层,最后一层激活函数选用Tanh函数;在重构网络R中,设计有三层全连接层,神经元个数依次为512、256、110,除最后一层全连接层外,每一层全连接层后均接有BN归一化层和LeakyRelu非线性激活层;
CRWGAN-div模型具体训练步骤如下:
1)首先固定生成网络G和重构网络R的参数,训练判别网络D,将原始训练集的样本和生成网络G生成的样本分别与真实样本标签拼接作为判别网络D的输入,判别网络D的输出为输入样本来自原始训练集的可能性评价分数,判别网络D的输出分数越高,代表输入样本来自原始训练集的可能性越高;判别网络D的损失函数计算方法如下:
其中,xs为原始数据集真实样本,xg为生成网络G生成的样本,ys为真实样本的标签,;xs|ys表示将ys作为条件与xs拼接在一起,xg|ys同理;k和p为W散度参数,需满足k>0、p>1且p∈N+,表示期望;式(1)中,第三项为梯度惩罚项,该项的引入可以使判别网络D训练更稳定,一定程度上解决了GAN网络梯度消失的问题;训练判别网络D的目的是提高判别网络的辨别能力,通过对抗训练,进而提高生成网络的生成能力;
2)在训练一次判别网络D后,固定判别网络D和生成网络G的参数,进行重构网络R的训练;重构网络的输入为生成网络生成的样本,重构网络重构出生成网络的输入;重构网络拟合的非线性函数相当于从潜在向量空间到设备故障样本空间的逆映射,该网络的输出与生成网络的输入误差称为重构误差,重构误差越小,生成网络和重构网络的性能越好;重构的目的是为了更好地指导生成网络的训练过程;重构网络R的损失函数采用smoothL1函数,计算方法如下:
式(2)中,xg为生成网络G生成的样本,ys为真实样本的标签,z表示随机生成噪声,z|ys表示将ys作为条件与z拼接在一起;其中smoothL1函数公式如下:
3)为了提高CRWGAN-div模型训练的基本稳定性,在训练五次判别网络和重构网络后,再进行生成网络的一次训练;生成网络G损失函数计算方法如下:
式(4)中,λ是重构误差惩罚因子,需满足λ>0;
判别网络、重构网络和生成网络均采用Adam算法更新其参数,梯度下降参数更新公式如下:
式中,θD、θR、θG分别为判别网络、重构网络和生成网络的参数,α、β、γ表示其学习率;通过三个网络的交替训练,判别网络、重构网络和生成网络将趋于最优解的附近;整体最优目标函数如下:
3)用训练后的CRWGAN-div模型进行样本增强,生成新训练集Xg_train;
4)将原始训练集Xs_train与生成训练集Xg_train合并成增强训练集Xe_train;
5)用原始训练集Xs_train和增强训练集Xe_train训练故障分类器,并进行对比。
作为优选,所述步骤1)具体为:随机选取原始设备故障数据集每个类别数据中的500个样本共5000个样本作为原始数据集Xs_data,原始设备故障数据集有九类设备故障数据和一类设备正常数据,Xs_data={x0,x1,…,x4999},每个样本包含连续的2048个样本点,即其中i表示原始数据集的第i个样本;将原始数据集按4:1比例划分为原始训练集和测试集,即原始训练集Xs_train={x0,x1,…,x3999},共包含4000个样本,测试集Xtest={x0,x1,…,x999}共包含1000个样本。
作为优选,所述步骤3)中,将随机噪声数据和数据标签拼接后一起输入训练好的生成网络,生成网络将生成与真实样本相似的增强样本,经过2000次迭代,共生成2000个增强样本,并以此构建新训练集Xg_train={x0,x1,…,x1999}。
作为优选,所述步骤4)中,将原始训练集Xs_train与步骤3)构建的生成训练集Xg_train合并并打乱顺序,得到有6000个样本的增强训练集Xe_train={x0,x1,…,x5999}。
作为优选,所述步骤5)中分别用原始训练集和增强训练集训练故障分类器,并进行诊断准确率对比。
本发明的有益效果是:
本发明提出了CRWGAN-div网络,结合WGAN-div自身的强大数据生成能力,特别是对于噪声较多的设备故障数据,重构网络的引入能更好地指导生成网络的训练,提高了其训练稳定性,通过对生成网络输入的重构,加强了生成网络从潜在向量空间到样本空间的映射拟合能力,提高了生成样本的质量,与传统重叠采样方法相比,生成样本的多样性和质量大大提高。与现有的基于GAN的样本增强方法相比,CRWGAN-div网络通过梯度惩罚和重构误差回传有效地解决了GAN训练不稳定、梯度消失、模式崩溃的问题。
附图说明
图1为本发明方法的流程图;
图2为本发明的神经网络整体结构图;
图3为原始设备故障数据集各类别样本信号数据;
图4为原始设备故障数据集样本降维可视化图;
图5为CRWGAN-div生成样本降维可视化图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
如图1所示,本发明包含以下步骤。
1)将原始数据集划分为原始训练集Xs_train和测试集Xtest;
2)构建CRWGAN-div模型,并用原始训练集Xs_train训练CRWGAN-div模型。
3)用训练后的CRWGAN-div模型进行样本增强,生成新训练集Xg_train。
4)将原始训练集Xs_train与生成训练集Xg_train合并成增强训练集Xe_train。
5)用原始训练集Xs_train和增强训练集Xe_train训练故障分类器,并进行对比。
所述步骤1)之前需要进行原始数据集准备,原始设备故障数据集有九类设备故障数据和一类设备正常数据,共十种类别数据。随机选取每个类别数据中的500个样本共5000个样本作为原始数据集Xs_data={x0,x1,…,x4999},每个样本包含连续的2048个样本点,即其中i表示原始数据集的第i个样本。
所述步骤1)中将原始数据集按4:1比例划分为原始训练集和测试集,即原始训练集Xs_train={x0,x1,…,x3999},共包含4000个样本,测试集Xtest={x0,x1,…,x999}共包含1000个样本;各类别样本信号数据如图3所示;
所述步骤2)中的CRWGAN-div模型整体结构示意图如图2所示,具体构建步骤如下:
CRWGAN-div全称为Wasserstein Divergence for Conditional RestructuredGenerative Adversarial Network,即基于条件和重构的WGAN-div。CRWGAN-div神经网络具体可分为生成网络G,判别网络D,重构网络R。在判别网络D中,设计有四层全连接层,神经元个数依次为512、256、128、1,除最后一层全连接层外,每一层全连接层后均接有PRelu非线性激活层。在生成网络G中,设计有五层全连接层,神经元个数依次为128、256、512、1024、2048,除最后一层全连接层外,每一层全连接层后均接有BN归一化层和LeakyRelu非线性激活层,最后一层激活函数选用Tanh函数。在重构网络R中,设计有三层全连接层,神经元个数依次为512、256、110,除最后一层全连接层外,每一层全连接层后均接有BN归一化层和LeakyRelu非线性激活层。
所述步骤2)中的CRWGAN-div模型具体训练步骤如下:
1)首先固定生成网络G和重构网络R的参数,训练判别网络D,将原始训练集的样本和生成网络G生成的样本分别与真实样本标签拼接作为判别网络D的输入,判别网络D的输出为输入样本来自原始训练集的可能性评价分数,判别网络D的输出分数越高,代表输入样本来自原始训练的可能性越高。判别网络D的损失函数计算方法如下:
其中,xs为原始数据集真实样本,xg为生成网络G生成的样本,ys为真实样本的标签,z表示随机生成噪声。xs|ys表示将ys作为条件与xs拼接在一起,xg|ys同理。k和p为W散度参数,需满足k>0、p>1且p∈N+。式(1)中,第三项为梯度惩罚项,该项的引入可以使判别网络D训练更稳定,一定程度上解决了GAN网络梯度消失的问题。训练判别网络D的目的是提高判别网络的辨别能力,通过对抗训练,进而提高生成网络的生成能力。
2)在训练一次判别网络D后,固定判别网络D和生成网络G的参数,进行重构网络R的训练。重构网络的输入为生成网络生成的样本,生成样本通过重构网络重构出生成网络的输入。重构网络拟合的非线性函数相当于从潜在向量空间到设备故障样本空间的逆映射,该网络的输出与生成网络的输入误差称为重构误差,重构误差越小,生成网络和重构网络的性能越好。重构的目的是为了更好地指导生成网络的训练过程。重构网络R的损失函数采用smoothL1函数,计算方法如下:
式(2)中,xg为生成网络G生成的样本,ys为真实样本的标签,z表示随机生成噪声,z|ys表示将ys作为条件与z拼接在一起。其中smoothL1函数公式如下:
3)为了提高CRWGAN-div模型训练的基本稳定性,在训练五次判别网络和重构网络后,再进行生成网络的一次训练。生成网络G损失函数计算方法如下:
式(4)中,λ是重构误差惩罚因子,需满足λ>0。
判别网络、重构网络和生成网络均采用Adam算法更新其参数,梯度下降参数更新公式如下:
式中,θD、θR、θG分别为判别网络、重构网络和生成网络的参数,α、β、γ表示其学习率。通过三个网络的交替训练,判别网络、重构网络和生成网络将趋于最优解的附近。整体最优目标函数如下:
所述步骤3)中,将随机噪声数据和数据标签拼接后一起输入训练好的生成网络,生成网络将生成与真实样本相似的增强样本,经过2000次迭代,共生成2000个增强样本,并以此构建新训练集Xg_train={x0,x1,…,x1999}。
所述步骤4)中,将原始训练集Xs_train与步骤3)构建的生成训练集Xg_train合并并打乱顺序,得到有6000个样本的增强训练集Xe_train={x0,x1,…,x5999}。
所述步骤5)中分别用原始训练集和增强训练集训练故障分类器,并进行诊断准确率对比。
本发明的步骤2)提出了CRWGAN-div网络,使生成网络G在训练过程中能够往更加有利于生成高质量设备故障样本的方向进行,有利于生成合格的样本。结合WGAN-div的梯度惩罚项,引入重构误差回传,使得整个网络训练更稳定,提高了生成样本的质量,进一步得到有效的增强数据集,从而提高了设备故障分类模型的诊断准确率。与传统重叠采样方法相比,生成样本的多样性和质量显著提高。与现有的基于GAN的样本增强方法相比,CRWGAN-div网络通过梯度惩罚和重构误差回传有效地解决了GAN训练不稳定、梯度消失、模式崩溃的问题。
本发明的具体实施例:
实验原始数据集共5000个样本,每个类别500个样本,共十个类别数据。原始数据集按4:1比例随机划分为原始训练集和测试集,测试集只用来最后测试,不参与任何网络的训练。通过原始训练集训练CRWGAN-div模型,并保存最优的生成网络模型,利用训练好的生成网络进行设备故障样本增强,生成2000个样本,将生成样本与原始训练集合并并打乱顺序得到增强数据集,共6000个样本,并利用原始训练集和增强训练集先后训练设备故障分类器,得到诊断结果。
本发明的实验环境为:CPU为CoreTM i7-6700K@4.00GHz,GPU为GTX1080Ti,显存为11GB,系统为Windows 10操作系统,深度学习框架为Pytorch1.8,利用Python 3.8实现CRWGAN-div样本增强以及相应算法的性能对比。
为减小最终结果的偶然误差,每种方法对应模型均在相同的实验条件下完整做20次测试得到20个诊断结果,然后取其平均值作为最终测试结果。
用原始数据集训练进行故障诊断准确率为91.40%,使用不同样本增强方法得到的增强数据集进行故障诊断测试结果对比如表1所示:
表1:不同样本增强方法效果客观评价
由表1的数据可知,相比于重叠采样和其他设备故障样本增强方法,本发明提出的方法在生成样本的质量上具备较大优势,特别地,CRWGAN-div结合WGAN-div自身的优势,通过重构误差回传,使得生成网络训练向更有利于生成与真实样本相似的方向进行。在图4和图5可以分别看见原始数据集与生成样本降维可视化图,数据分布是相似的。
由此可见,本发明能够实现设备故障样本的高质量生成,具有训练稳定、小样本生成效果好等优点,通过本发明进行增强的样本,能够用于设备故障的精确诊断。
Claims (5)
1.基于CRWGAN-div的设备故障样本增强方法,其特征在于,该方法具体包括以下步骤:
1)准备原始数据,并将原始数据集划分为原始训练集Xs_train和测试集Xtest;
2)构建CRWGAN-div模型,并利用原始训练集Xs_train训练CRWGAN-div模型;
CRWGAN-div神经网络具体分为生成网络G,判别网络D,重构网络R;在判别网络D中,设计有四层全连接层,除最后一层全连接层外,每一层全连接层后均接有PRelu非线性激活层;在生成网络G中,设计有五层全连接层,除最后一层全连接层外,每一层全连接层后均接有BN归一化层和LeakyRelu非线性激活层,最后一层激活函数选用Tanh函数;在重构网络R中,设计有三层全连接层,除最后一层全连接层外,每一层全连接层后均接有BN归一化层和LeakyRelu非线性激活层;
CRWGAN-div模型具体训练步骤如下:
1)首先固定生成网络G和重构网络R的参数,训练判别网络D,将原始训练集的样本和生成网络G生成的样本分别与真实样本标签拼接作为判别网络D的输入,判别网络D的输出为输入样本来自原始训练集的可能性评价分数,判别网络D的输出分数越高,代表输入样本来自原始训练集的可能性越高;判别网络D的损失函数计算方法如下:
其中,xs为原始数据集真实样本,xg为生成网络G生成的样本,ys为真实样本的标签,;xs|ys表示将ys作为条件与xs拼接在一起,xg|ys同理;k和p为W散度参数,需满足k>0、p>1且p∈N+,表示期望;式(1)中,第三项为梯度惩罚项;
2)在训练一次判别网络D后,固定判别网络D和生成网络G的参数,进行重构网络R的训练;重构网络的输入为生成网络生成的样本,重构网络重构出生成网络的输入;重构网络拟合的非线性函数相当于从潜在向量空间到设备故障样本空间的逆映射,该网络的输出与生成网络的输入误差称为重构误差,重构网络R的损失函数采用smoothL1函数,计算方法如下:
式(2)中,xg为生成网络G生成的样本,ys为真实样本的标签,z表示随机生成噪声,z|ys表示将ys作为条件与z拼接在一起;其中smoothL1函数公式如下:
3)为了提高CRWGAN-div模型训练的基本稳定性,在训练五次判别网络和重构网络后,再进行生成网络的一次训练;生成网络G损失函数计算方法如下:
式(4)中,λ是重构误差惩罚因子,需满足λ>0;
判别网络、重构网络和生成网络均采用Adam算法更新其参数,梯度下降参数更新公式如下:
式中,θD、θR、θG分别为判别网络、重构网络和生成网络的参数,α、β、γ表示其学习率;通过三个网络的交替训练,判别网络、重构网络和生成网络将趋于最优解的附近;整体最优目标函数如下:
3)用训练后的CRWGAN-div模型进行样本增强,生成新训练集Xg_train;
4)将原始训练集Xs_train与生成训练集Xg_train合并成增强训练集Xe_train;
5)用原始训练集Xs_train和增强训练集Xe_train训练故障分类器,并进行对比。
3.根据权利要求1所述的基于CRWGAN-div的设备故障样本增强方法,其特征在于:所述步骤3)中,将随机噪声数据和数据标签拼接后一起输入训练好的生成网络,生成网络将生成与真实样本相似的增强样本,经过2000次迭代,共生成2000个增强样本,并以此构建新训练集Xg_train={x0,x1,…,x1999}。
4.根据权利要求1所述的基于CRWGAN-div的设备故障样本增强方法,其特征在于:所述步骤4)中,将原始训练集Xs_train与步骤3)构建的生成训练集Xg_train合并并打乱顺序,得到有6000个样本的增强训练集Xe_train={x0,x1,…,x5999}。
5.根据权利要求1所述的基于CRWGAN-div的设备故障样本增强方法,其特征在于:所述步骤5)中分别用原始训练集和增强训练集训练故障分类器,并进行诊断准确率对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111332826.4A CN114139607A (zh) | 2021-11-11 | 2021-11-11 | 基于CRWGAN-div的设备故障样本增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111332826.4A CN114139607A (zh) | 2021-11-11 | 2021-11-11 | 基于CRWGAN-div的设备故障样本增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114139607A true CN114139607A (zh) | 2022-03-04 |
Family
ID=80393659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111332826.4A Pending CN114139607A (zh) | 2021-11-11 | 2021-11-11 | 基于CRWGAN-div的设备故障样本增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139607A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277189A (zh) * | 2022-07-27 | 2022-11-01 | 中国人民解放军海军航空大学 | 基于生成式对抗网络的无监督式入侵流量检测识别方法 |
-
2021
- 2021-11-11 CN CN202111332826.4A patent/CN114139607A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277189A (zh) * | 2022-07-27 | 2022-11-01 | 中国人民解放军海军航空大学 | 基于生成式对抗网络的无监督式入侵流量检测识别方法 |
CN115277189B (zh) * | 2022-07-27 | 2023-08-15 | 中国人民解放军海军航空大学 | 基于生成式对抗网络的无监督式入侵流量检测识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gu et al. | Stack-captioning: Coarse-to-fine learning for image captioning | |
Shao et al. | Generative adversarial networks for data augmentation in machine fault diagnosis | |
CN109727246A (zh) | 一种基于孪生网络的对比学习图像质量评估方法 | |
CN109410289A (zh) | 一种深度学习的高欠采样超极化气体肺部mri重建方法 | |
CN112784929B (zh) | 一种基于双元组扩充的小样本图像分类方法及装置 | |
CN117237559B (zh) | 面向数字孪生城市的三维模型数据智能分析方法及系统 | |
CN112950480A (zh) | 一种融合多感受野和密集残差注意的超分辨率重建方法 | |
CN113361646A (zh) | 基于语义信息保留的广义零样本图像识别方法及模型 | |
CN114611670A (zh) | 一种基于师生协同的知识蒸馏方法 | |
US20230032472A1 (en) | Method and apparatus for reconstructing medical image | |
CN114139607A (zh) | 基于CRWGAN-div的设备故障样本增强方法 | |
CN111626296A (zh) | 基于深度神经网络的医学图像分割系统及方法、终端 | |
CN115051929A (zh) | 基于自监督目标感知神经网络的网络故障预测方法及装置 | |
Sun et al. | Semi-supervised multimodal image translation for missing modality imputation | |
CN110633735A (zh) | 基于小波变换的渐进式深度卷积网络图像识别方法及装置 | |
CN117313251A (zh) | 基于非滞后渐进学习的列车传动装置全局故障诊断方法 | |
CN116633639A (zh) | 基于无监督与有监督融合强化学习的网络入侵检测方法 | |
CN114882992B (zh) | 一种用于预测疾病的去除多站点功能磁共振成像异质性方法 | |
CN112529772B (zh) | 一种零样本设置下的无监督图像转换方法 | |
Liu et al. | Spatial-temporal convolutional attention for mapping functional brain networks | |
CN114511060A (zh) | 基于自编码器和生成对抗网络的属性补全和网络表示方法 | |
CN110222716B (zh) | 基于全分辨率深度卷积神经网络的图像分类方法 | |
Lin et al. | Data Augmentation for Industrial Multivariate Time Series via a Spatial and Frequency Domain Knowledge GAN | |
Lad et al. | Decoding with purpose: improving image reconstruction from fMRI with multitask learning | |
CN108491563A (zh) | 一种基于稀疏重构最优化算法的信号包络线提取方法 |
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 |