CN115630612A - 一种基于vae与wgan的软件度量缺陷数据增广方法 - Google Patents

一种基于vae与wgan的软件度量缺陷数据增广方法 Download PDF

Info

Publication number
CN115630612A
CN115630612A CN202211081859.0A CN202211081859A CN115630612A CN 115630612 A CN115630612 A CN 115630612A CN 202211081859 A CN202211081859 A CN 202211081859A CN 115630612 A CN115630612 A CN 115630612A
Authority
CN
China
Prior art keywords
data
wgan
variance
generator
vea
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
Application number
CN202211081859.0A
Other languages
English (en)
Inventor
郭曌阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202211081859.0A priority Critical patent/CN115630612A/zh
Publication of CN115630612A publication Critical patent/CN115630612A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/126—Character encoding
    • 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)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种基于VAE与WGAN的软件度量缺陷数据增广方法，所述数据增广方法使用VEA和WGAN两种模型，且数据增广方法包括以下步骤：S1：利用数据集对VEA进行训练；S2：将原始数据重新输入已经训练好的VEA中的编码器，产生数据对应潜向量，即编码Y；S3：将步骤S2中VEA产生的编码Y作为训练WGAN的真实数据；S4：利用已经训练好的WGAN生成“潜向量”，即编码Y；S5：将生成的编码Y输入步骤S2中已经训练好的VEA的解码器，产生数据样本SAMPLE。本发明利用VAE对原始数据进行降维，然后通过WGAN对隐变量进行学习并生成，最后将WGAN生成的潜向量传入VAE的解码器，完成对原数据的生成。经实验证明，与其他数据增强方法相比，本方法效果较好。

Description

一种基于VAE与WGAN的软件度量缺陷数据增广方法
技术领域
本发明涉及数据增广技术领域，尤其涉及一种基于VAE与WGAN的软件度量缺陷数据增广方法。
背景技术
在软件工程中，先进的软件缺陷预测技术能有效的降低其开发及维护成本，及运行出错造成损失的风险，一般而言，数据集中缺陷样本总远少于非缺陷样本，所以解决数据的类不平衡问题，一直是软件缺陷预测领域研究的热点与难点，数据的类不平衡问题一般分两方面:类间、类内不平衡，其中类间不平衡为数据集中不同类型的数据个数差距过大，训练时，少样本数据较少，模型学到有限信息有限；类内不平衡为同种类型样本的分布较集中，不能较好的表示真正的分布空间，进而模型无法学到真实的数据信息。
对抗生成网络由生成器、判别器两部分组成，其中生成器不断产生更加“真实”的数据，以此欺骗判别器；而判别器则努力区分数据为生成或真实样本，进而识破生成器，当生成与真实样本分布不重合时JS散度恒会等于log，从而导致生成器梯度消失、影响模型对抗训练，同时，它不会因生成真实样本分布未重合而受到影响，因此基本解决了生成器梯度消失的问题，而采用基于Wasserstein距离的对抗生成网络，即WGAN无法较好地生成与分类样本数量较少的数据类型，虽ACGAN可指定生成样本的类型，但当数据集类间不平衡时，其生成与分类会偏向多样本数据类型，并将少样本数据类型误判为低质量的生成数据。
目前，在软件缺陷数据中，解决类间不平衡的方法可分为两类:数据类、算法类，现有技术中，数据类解决类间不平衡的方式为:去除部分数据并不会影响预测模型的性能；数据中少数类样本进行随机再采样，将提高预测模型性能；将SMOTE引入软件缺陷预测，取得较好的效果；现有技术中算法类解决类间不平衡的方式为:通过将随机降采样、代价敏感分类方法对比，发现集成学习性能最佳；数据的类间不平衡提高了软件缺陷预测的难度与复杂性，无论是数据类还是算法类普遍存在着软件缺陷预测难度高、复杂程度高，数据多样性不足的缺陷，因此，需要提出了一种基于变分自编器与对抗生成网络的软件度量缺陷数据增强方法来解决上述缺陷。
发明内容
本发明的目的是为了解决现有技术中无论是数据类还是算法类普遍存在着软件缺陷预测难度高、复杂程度高，数据多样性不足的缺陷，从而提出一种基于VAE与WGAN的软件度量缺陷数据增广方法。
为了实现上述目的，本发明采用了如下技术方案：
一种基于VAE与WGAN的软件度量缺陷数据增广方法，所述数据增广方法使用VEA和WGAN两种模型，且数据增广方法包括以下步骤：
S1：利用数据集对VEA进行训练；
S2：将原始数据重新输入已经训练好的VEA中的编码器，产生数据对应潜向量，即编码Y；
S3：将步骤S2中VEA产生的编码Y作为训练WGAN的真实数据；
S4：利用已经训练好的WGAN生成“潜向量”，即编码Y；
S5：将生成的编码Y输入步骤S2中已经训练好的VEA的解码器，产生数据样本SAMPLE。
优选的,所述VEA和WGAN网络均采用多层感知器架构。
优选的，所述WGAN包括生成器和判断器。
优选的，WGAN的损失函数包括Generator和Discriminator,所述损失函数如下所述：
d＝D[G(randomx)]-D(x) (1)
g＝D(x)-D[G(randomx)] (2)
在所述损失函数中，x为真实的样本，即编码Y，G(randomx)为WGAN中Generator生成的样本，即编码Y，公式(1)和公式(2)分别表示判断器和生成器的损失函数，所述判断器随d值减小方向训练，即-D(x)和D[G(randomx)]递减，所述D(x)递增；所述生成器Generator随g值减小方向训练，D[G(randomx)]递减，D[G(randomx)]递增。
优选的，所述生成器损失函数包含生成器原有损失函数以及引入方差：
G＝D(x)-D[G(randomx)]+|vara-varG(randomx)| (3)
Figure BDA0003833560930000031
在所述引入方差的损失函数中包括原生网络迭代函数和方差因素部分，所述原生网络迭代函数为D(x)-D[G(randomx)]，所述方差因素部分为|vara-varG(randomx)|，所述vara表示方差的上限，所述varG(randomx)为生成器训练过程中实时生成的Y方差。
优选的，在步骤所述S1中，对VEA训练以软件度量数据为主，所述数据包括缺陷型和非缺陷型。
优选的，所述生成器与判断器均由单层全连接与激活函数的结构构成。
优选的，在所述公式(3)和公式(4)中，当生成器的Y方差与Y的方差大时，所述方差因素部分梯度大；生成的数据与真实数据方差接近时，所述方差因素部分损失小。
本发明的有益效果是：
利用变分自编器VAE对度量数据的进行降维得到潜向量，而后通过对抗生成网络WGAN对潜向量进行学习，最后将WGAN生成的"潜向量"放入VAE产生原数据，自此完成了对软件度量数据集中缺陷样本的增强，利用VAE对原始数据进行降维，然后通过WGAN对隐变量进行学习并生成，最后将WGAN生成的潜向量传入VAE的解码器，完成对原数据的生成。经实验证明，与其他数据增强方法相比，本方法效果较好；
通过多组实验数据证明：在WGAN中生成器的损失函数引入方差，有效提高了生成数据的多样性。
附图说明
图1为本发明提出的一种基于VAE与WGAN的软件度量缺陷数据增广方法的步骤流程示意图；
图2为本发明提出的一种基于VAE与WGAN的软件度量缺陷数据增广方法的模型示意图；
图3为本发明提出的一种基于VAE与WGAN的软件度量缺陷数据增广方法的少类别样本生成效果示意图；
图4为本发明提出的一种基于VAE与WGAN的软件度量缺陷数据增广方法的VAE训练数据为类不平衡数据集不同比例生成效果示意图；
图5为本发明提出的一种基于VAE与WGAN的软件度量缺陷数据增广方法的数据集为MINST时，生成Y的方差示意图；
图6为本发明提出的一种基于VAE与WGAN的软件度量缺陷数据增广方法的方差箱形示意图；
图7为本发明提出的一种基于VAE与WGAN的软件度量缺陷数据增广方法的方差折线示意图；
图8为本发明提出的一种基于VAE与WGAN的软件度量缺陷数据增广方法的数据集为JM1时，Y的方差示意图；
图9为本发明提出的一种基于VAE与WGAN的软件度量缺陷数据增广方法的数据集为JM1时，生成编码Y的方差示意图；
图10为本发明提出的一种基于VAE与WGAN的软件度量缺陷数据增广方法的结构示意图；
图11为本发明提出的一种基于VAE与WGAN的软件度量缺陷数据增广方法的结构示意图；
图12为本发明提出的一种基于VAE与WGAN的软件度量缺陷数据增广方法的VAE训练数据为类不平衡数据集(vara不同比例)示意图；
图13为本发明提出的一种基于VAE与WGAN的软件度量缺陷数据增广方法的MC1数据集示意图；
图14为本发明提出的一种基于VAE与WGAN的软件度量缺陷数据增广方法的PC4数据集中少类别预测效果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照图1-2，一种基于VAE与WGAN的软件度量缺陷数据增广方法，所述数据增广方法使用VEA和WGAN两种模型，且数据增广方法包括以下步骤：
S1：利用数据集对VEA进行训练，对VEA训练以软件度量数据为主，数据包括缺陷型和非缺陷型，此数据集可以替换为类不平衡数据集，从整个数据集中学习少样本的特征，在训练数据为少样本数据集时，则表明仅从少样本数据中学习自身的特征；
S2：将原始数据重新输入已经训练好的VEA中的编码器，产生数据对应潜向量，即编码Y；
S3：将步骤S2中VEA产生的编码Y作为训练WGAN的真实数据；
S4：利用已经训练好的WGAN生成“潜向量”，即编码Y；
S5：将生成的编码Y输入步骤S2中已经训练好的VEA的解码器，产生数据样本SAMPLE；
在VAE部分，数据会首先进入全连接、激活函数层产生相应的方差向量X、均值向量P；同时，方差向量X需进行幂指运算，即X＝ex；随后，方差向量X与标准高斯分布采样向量E相乘，即X＝XE，最后，X向量与均值向量P相加得到样本的对应编码向量Y，即Y＝P+X。VAE正向传播产生的潜向量即编码Y传入解码器由一个全连接与激活函数层构成，得到重构的数据，最后，计算VAE重构的数据与真实数据的差距E、及编码Y后验概率分布与标准高斯分布的差距D，得到VAE损失函数，VEA和WGAN均属于十分成熟的现有技术，因此，本发明中对此处不做详细赘述，VEA和WGAN网络均采用多层感知器架构，VEA的编码器和解码器均由单层感知器构成。
WGAN包括生成器和判断器，WGAN的损失函数包括Generator和Discriminator,损失函数如下：
d＝D[G(randomx)]-D(x) (1)
g＝D(x)-D[G(randomx)] (2)
在损失函数中，x为真实的样本，即编码Y，G(randomx)为WGAN中Generator生成的样本，即编码Y，公式(1)和公式(2)分别表示判断器和生成器的损失函数，判断器随d值减小方向训练，即-D(x)和D[G(randomx)]递减，D(x)递增；生成器Generator随g值减小方向训练，D[G(randomx)]递减，D[G(randomx)]递增，如此便可完成WGAN中判断器与生成器的对抗训练。
生成器损失函数包含生成器原有损失函数以及引入方差，当一组数据差异性越大，其方差也会随之增大，本发明中，数据集均有两种类型样本组成，此处通过引入方差增强WGAN生成器产生数据的多样性：
G＝D(x)-D[G(randomx)]+|vara-varG(randomx)| (3)
Figure BDA0003833560930000081
在引入方差的损失函数中包括原生网络迭代函数和方差因素部分，原生网络迭代函数为D(x)-D[G(randomx)]，方差因素部分为|vara-varG(randomx)|，vara表示方差的上限，varG(randomx)为生成器训练过程中实时生成的Y方差，在公式(3)和公式(4)中，当生成器的Y方差与Y的方差大时，方差因素部分梯度大；生成的数据与真实数据方差接近时，方差因素部分损失小。
参照图3-14，本发明中，在进行实验分析时，数据方面使用NSAS MDP中JM1、MC1、PC4与MINST数据中手写数字1与5作为样本，其中JM1中缺陷样本个数为1612,非缺陷样本个数为6108，维度为21；PC4中则非缺陷样本1094个、缺陷样本176个、样本维度38；MC1中缺陷仅36个、非缺陷1916、维度39，为了直观的体现数据增强方法的效果在进行实验分析时，此处还引入了手写数字数据集MINST，假定数字1作为多样本、5作为少样本，并通过调节比例，构造了4个类不平衡数据集，既1:1，4:1，8:1，20:1四种比例的数据集，在进行实验分析所采用的硬件参数为：CPU Intel Corei7-9900K,GPU NVIDIA GeForce RTX3090，软件参数为:PyTorch 1.5.0的开发框架,Python3.6的运行环境。
参照图3，为四种方法生成少类别的效果图，其中图3-a为AE+WGAN方法，既先用自编码器压缩原始数据产生编码Y，而后基于WGAN生成Y，最后再将Y放入自编码器的解码器产生样本；图3-b为直接利用WGAN生成样本；图3-c为本发明中VAE与WGAN结合,但此时WGAN未引入方差，如公式(1)、(2)；图3-d也为本发明VAE+WGAN的结合,但此时WGAN引入方差，如公式(4)，由图3可直观得出本发明(3-c、d)优于其他方法，上述实验VEA的训练数据仅为少类别。
参照图4，为将步骤S1中训练数据替换为类不平衡数据，图4-b生成样本的质量较好；4-c与4-d生成的样本质量较低，比较图4-b与3-c发现VAE学习类不平衡数据集比仅学习少样本效果好，因此，学习类不平衡数据集有助于提高本方法生成少类别样本的质量，由图4-d可得，随着多类别在数据集占比增大，本发明生成的样本含多类别样本的特征越明显。
通过以上实验可得:VAE与WGAN结合的效果优于AE+WGAN、WGAN；适当增大数据集中的多样本数据的占比，将有益于模型学习少样本，从而提高生成少样本的质量；但当多样本的在数据集中的占比过大时，则不利于模型生成少样本数据。
参照图5-9，提供两组实验，计算WGAN生成Y50个的方差，VAE的训练数据为少样本，方法1表示vara＝1.5、方法2表示未引入方差；图7VAE的训练数据为类不平衡数据，方法1表示vara＝1.26、方法2未引入方差。
参照图10，在WGAN中引入方差对本方法的样本sample,多样性提升并不明显，在本发明的WGAN中引入方差可提高其生成的P的多样性；因此，可以推断:引入方差的WGAN生成的编码P1与未引入方差得到的P2，两者虽然存在差异，但经VAE解码器处理后，得到的样本在一个相近的分布空间。
参照图11和图12，见方法1至4均优于方法0、方法a-c均优于0方法О为未对类不平衡进行处理,直接用于模型训练，可得基于数据增强方法的少样本预测模型性能好于纯预测模型；图11中方法1与2、图12中方法a与b均低于其他方法，因此本发明优于其他方法。值得注意,图11中方法1与图12中方法a均最小,因此本方法中VAE+WGAN、WGAN引入方差、VAE训练数据为少样本的效果较好。
为进一步分析本发明效果，增加软件度量数据集PC4、MC1，其中，在PC4部分设D由400个非缺陷、100个缺陷样本组成，通过本发明生成300个缺陷样本，T为70个缺陷样本；MC1部分设D由400个非缺陷、20个缺陷样本组成，生成380个“缺陷”样本，T为16个缺陷样本，方法a至d均为本发明，其中方法a与b的VAE训练数据为缺陷样本，方法c与d则为类不平衡数据集，方法a与c的WGAN均引入方差，方法b与d则都未引入方差，方法e为SMOTE方法:在类不平衡数据集缺陷样本中随机插值产生300与380个缺陷样本。
参照图13和图14，方法a至d均低于e，数据集中缺陷样本数极少，当VAE使用含有非缺陷样本的数据集训练能获取有利于产生“缺陷”样本的特征，进而提升后续少样本预测模型的性能；因此，在图13中方法c最低，方法d与方法a、b差距不大，而PC4中数据总量仅1270，因而，图14中方法a至b差距均不大。
本发明利用VAE对数据进行降维，得到编码Y集,随后利用WGAN对编码Y进行学习并生成编码﹐最后将WGAN生成的Y集输入VAE中解码器产生软件度量数据，同时，提出了VAE训练的两种方式得出:适当比例的类不平衡数据集使本方法生成少样本的质量提高；通过在WGAN生成器损失函数引入方差，增大了编码的多样性，此方法可迁移至其他基于GAN的生成任务，通过训练少样本预测模型，证明了本方法的有效性。
以上，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于VAE与WGAN的软件度量缺陷数据增广方法，其特征在于，数据增广方法使用VEA和WGAN两种模型，包括以下步骤：
S1：利用数据集对VEA进行训练；
S2：将原始数据重新输入已经训练好的VEA中的编码器，产生数据对应潜向量，即编码Y；
S3：将步骤S2中VEA产生的编码Y作为训练WGAN的真实数据；
S4：利用已经训练好的WGAN生成“潜向量”，即编码Y；
S5：将生成的编码Y输入步骤S2中已经训练好的VEA的解码器，产生数据样本SAMPLE。
2.根据权利要求1所述的一种基于VAE与WGAN的软件度量缺陷数据增广方法，其特征在于,所述VEA和WGAN网络均采用多层感知器架构。
3.根据权利要求1所述的一种基于VAE与WGAN的软件度量缺陷数据增广方法，其特征在于，所述WGAN包括生成器和判断器。
4.根据权利要求1所述的一种基于VAE与WGAN的软件度量缺陷数据增广方法，其特征在于，WGAN的损失函数包括Generator和Discriminator,所述损失函数如下所述：
d＝D[G(randomx)]-D(x) (1)
g＝D(x)-D[G(randomx)] (2)
在所述损失函数中，x为真实的样本，即编码Y，G(randomx)为WGAN中Generator生成的样本，即编码Y，公式(1)和公式(2)分别表示判断器和生成器的损失函数，所述判断器随d值减小方向训练，即-D(x)和D[G(randomx)]递减，所述D(x)递增；所述生成器Generator随g值减小方向训练，D[G(randomx)]递减，D[G(randomx)]递增。
5.根据权利要求4所述的一种基于VAE与WGAN的软件度量缺陷数据增广方法，其特征在于，所述生成器损失函数包含生成器原有损失函数以及引入方差：
G＝D(x)-D[G(randomx)]+|vara-varG(randomx)|(3)
Figure FDA0003833560920000021
在所述引入方差的损失函数中包括原生网络迭代函数和方差因素部分，所述原生网络迭代函数为D(x)-D[G(randomx)]，所述方差因素部分为|vara-varG(randomx)|，所述vara表示方差的上限，所述varG(randomx)为生成器训练过程中实时生成的Y方差。
6.根据权利要求1所述的一种基于VAE与WGAN的软件度量缺陷数据增广方法，其特征在于，在步骤所述S1中，对VEA训练以软件度量数据为主，所述数据包括缺陷型和非缺陷型。
7.根据权利要求1所述的一种基于VAE与WGAN的软件度量缺陷数据增广方法，其特征在于，所述生成器与判断器均由单层全连接与激活函数的结构构成。
8.根据权利要求5所述的一种基于VAE与WGAN的软件度量缺陷数据增广方法，其特征在于，在所述公式(3)和公式(4)中，当生成器的Y方差与Y的方差大时，所述方差因素部分梯度大；生成的数据与真实数据方差接近时，所述方差因素部分损失小。
CN202211081859.0A 2022-09-06 2022-09-06 一种基于vae与wgan的软件度量缺陷数据增广方法 Pending CN115630612A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211081859.0A CN115630612A (zh) 2022-09-06 2022-09-06 一种基于vae与wgan的软件度量缺陷数据增广方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211081859.0A CN115630612A (zh) 2022-09-06 2022-09-06 一种基于vae与wgan的软件度量缺陷数据增广方法

Publications (1)

Publication Number Publication Date
CN115630612A true CN115630612A (zh) 2023-01-20

Family

ID=84902417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211081859.0A Pending CN115630612A (zh) 2022-09-06 2022-09-06 一种基于vae与wgan的软件度量缺陷数据增广方法

Country Status (1)

Country Link
CN (1) CN115630612A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795131A (zh) * 2023-02-10 2023-03-14 山东能源数智云科技有限公司 基于人工智能的电子档案分类方法、装置及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115795131A (zh) * 2023-02-10 2023-03-14 山东能源数智云科技有限公司 基于人工智能的电子档案分类方法、装置及电子设备
CN115795131B (zh) * 2023-02-10 2023-05-16 山东能源数智云科技有限公司 基于人工智能的电子档案分类方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN110555474A (zh) 一种基于半监督学习的光伏面板故障检测方法
CN110212528B (zh) 一种配电网量测数据缺失重构方法
CN110969194B (zh) 基于改进型卷积神经网络的电缆早期故障定位方法
CN114549925A (zh) 一种基于深度学习的海浪有效波高时间序列预测方法
CN110726898A (zh) 一种配电网故障类型识别方法
CN113283577A (zh) 一种基于元学习和生成对抗网络的工业平行数据生成方法
CN115630612A (zh) 一种基于vae与wgan的软件度量缺陷数据增广方法
CN112270300A (zh) 基于生成式对抗网络的人脸素描图像转换为rgb图像方法
CN114565594A (zh) 基于软掩膜对比损失的图像异常检测方法
CN112488147A (zh) 一种基于对抗网络的冗余去除主动学习方法
CN116756594A (zh) 一种电网数据异常点检测方法、系统、设备及介质
CN114860709A (zh) 一种基于Bi-GAN的电力系统缺失值填补方法
CN116611580A (zh) 一种基于多源数据与深度学习的海洋赤潮预测方法
CN116978105A (zh) 一种ai换脸图像异常检测方法
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
CN114005075B (zh) 一种光流估算模型的构建方法、装置及光流估算方法
CN114936947A (zh) 基于gadf-vgg16的高压直流输电线路故障诊断方法
CN114980723A (zh) 一种用于跨工况贴片机吸嘴的故障预测方法、系统
CN113962332A (zh) 基于自优化融合反馈的显著目标识别方法
CN114492944A (zh) 基于TLBO-Elman的光伏电站短期发电功率预测方法、装置及存储介质
CN113537573A (zh) 基于双重时空特征提取的风电功率运行趋势预测方法
CN114332460B (zh) 一种半监督单图像去雨处理方法
CN117494588B (zh) 一种风机轴承剩余有效寿命优化方法、设备及介质
CN113836027B (zh) 一种使用生成式网络进行失败测试用例生成的方法
CN115828719A (zh) 基于生成对抗网络的电力系统次同步振荡数据生成方法

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