CN117454181A - 基于级联生成对抗网络的局部放电数据生成方法 - Google Patents
基于级联生成对抗网络的局部放电数据生成方法 Download PDFInfo
- Publication number
- CN117454181A CN117454181A CN202311529592.1A CN202311529592A CN117454181A CN 117454181 A CN117454181 A CN 117454181A CN 202311529592 A CN202311529592 A CN 202311529592A CN 117454181 A CN117454181 A CN 117454181A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- generator
- cascade
- data
- representing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000007547 defect Effects 0.000 claims abstract description 19
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000007667 floating Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 239000002131 composite material Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000012804 iterative process Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
-
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative 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
- G06N3/094—Adversarial learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及局部放电数据生成方法技术领域,且公开了一种基于级联生成对抗网络的局部放电数据生成方法,包括以下步骤:步骤一,获取悬浮电位缺陷、绝缘类放电缺陷、尖端电晕缺陷和微粒放电缺陷的GIS局部放电数据样本;步骤二,对局部放电数据进行归一化处理;步骤三,构建具有级联结构的CasTGAN模型,训练生成数据;步骤四,设计白盒攻击,评估CasTGAN模型的有效性及可靠性。本发明采用上述基于级联生成对抗网络的局部放电数据生成方法,级联布局中设计多个生成器,每个生成器专注于生成单个数据特征,所提模型具有较低的计算复杂度,训练速度更快,每个特征都分配一个辅助学习器,生成的数据样本与最初生成的目标特征相关性更强,更符合原始特征分布。
Description
技术领域
本发明涉及局部放电数据生成技术领域,尤其是涉及一种基于级联生成对抗网络的局部放电数据生成方法。
背景技术
在输变电设备中,气体绝缘组合电器(Gas Insulated Switchgear,GIS)所占比例逐年上升,目前已广泛应用于电力系统中。随着各种局部放电检测技术的广泛应用,GIS设备的相关信息不断在数据中心积累。通过大数据和人工智能技术,对大量案例和海量数据进行自动分析,把握电气设备数据在高维度时空的特性,能够实现设备缺陷的自动辨识、故障智能诊断与预警。然而,GIS设备出现故障属于小样本事件,且不同绝缘缺陷类别的样本数据集会出现不平衡情况,这影响了模型训练效果的准确度。因此,如何解决样本数据不平衡的问题成为当前研究的重点。
生成对抗网络(GANs)近年来因其生成可用于多种目的的合成数据的能力而引起了相当大的关注。虽然GAN在生成复制原始数据集动态的合成数据样本方面取得了巨大成功,但合成数据的有效性和潜在隐私方面仍存在问题。因此,有必要提供一种基于级联生成对抗网络的局部放电数据生成方法,对GIS设备局部放电数据进行有效数据增强。
发明内容
本发明的目的是提供一种基于级联生成对抗网络的局部放电数据生成方法,解决上述背景技术中提出的问题。
为实现上述目的,本发明提供了一种基于级联生成对抗网络的局部放电数据生成方法,包括以下步骤:
步骤一,获取悬浮电位缺陷、绝缘类放电缺陷、尖端电晕缺陷和微粒放电缺陷的GIS局部放电数据样本;
步骤二,对获取的局部放电数据进行归一化处理;
步骤三,构建具有级联结构的CasTGAN模型,训练生成数据;
步骤四,设计白盒攻击,评估CasTGAN模型的有效性及可靠性。
优选的,步骤二中,使用线性归一化函数对GIS设备局部放电数据进行统一,计算公式为:
式中:x2表示样本集中最小数据,x1表示样本集中最大数据,x表示归一化前数据,x'表示归一化后数据。
优选的,步骤三中,CasTGAN模型包括顺序连接的多个生成器以及辅助学习器,Gi表示独立的生成器,ALi辅助学习器,Zi表示噪音,D表示鉴别器;每个生成器Gi均使用初级神经网络生成其目标特征,并按顺序布局;第一个生成器将随机噪声向量作为输入,除第一个生成器以外的其他生成器将前一个生成器的输出和噪声向量作为自己的输入,Gi的输出表示为:
其中,φi代表生成器的输入,代表生成器的输出;
生成器Gi将传递给Gi+1的信息是:
其中,Gi+1代表下一个生成器,代表生成器的目标特征,φi-1代表上一个生成器的输入,/>代表来自上一个生成器的信息,i代表生成器序号。
优选的,生成器包括初级神经网络和次级神经网络,
初级神经网络的输入是:
次级神经网络的输入为初级神经网络噪声向量z,输出Zi为初级神经网络冗余信息输出,不传递给Gi+1,由ALi使用。
Gi保留了其主要目标,根据输入生成目标特征,级联生成器的结构表示为:
其中,是生成的合成输出。
优选的,步骤四中,假设攻击者访问训练过的辅助学习器,并通过估计隐藏特征的迭代过程重建训练样本;使用合成数据的攻击者将在给定时间从数据中删除一列,使用相应的辅助学习器利用剩余的特征预测被掩盖的特征,然后用辅助学习器的预测输出替换被屏蔽的列;在这种设置中,单个迭代指的是遍历所有辅助学习器,并一次替换数据集中的所有列。
优选的,使用一个扰动参数ε控制辅助学习器的训练,评估白盒攻击对模型的有效性;扰动参数转化为在GAN训练之前训练辅助学习器时被修改的标签样本的比例,辅助学习器对应于一个数字列xi,对数值变量进行扰动,使得给定样本的扰动变量被计算为α是随机抽取的浮点数,α的范围在-1至1,通过从所述特征的所有唯一类别的列表中选择一个类别来扰动分类特征。
因此,本发明采用上述结构的基于级联生成对抗网络的局部放电数据生成方法,具有以下有益效果:
本发明的方法采用级联架构,使用专用生成器对每个特征进行采样,这样合成输出的结果变得更能代表真实数据,显著减少无效记录的数量。本发明的方法能够有效捕捉实际数据,表现出真实数据的强统计和相关性,特别是高维数据集的约束和特征之间的相关性,同时该方法训练速度更快。通过白盒隐私攻击测试,表明本发明方法的整体鲁棒性好,工程应用性与实践性强。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明实施例的CasTGAN的模型结构图;
图2为本发明实施例的级联布局中生成器的结构图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。术语“设置”、“安装”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
实施例
本发明提出了一个基于级联的数据生成框架CasTGAN,用于生成真实数据输出;之后对其进行了隐私评估,特别关注输出的有效性以及训练过程中干扰输入数据对输出的隐私保证和质量的影响。CasTGAN是一个以多个生成器顺序连接为特征的生成网络框架,每一个都被设计成生成一个单一的特征。同时,单个鉴别器验证所有生成器的输出,同时在级联中最后一个生成器的输出上进行训练。此外,每个生成器都链接到相应的辅助学习器,以便获得针对单个生成的特征损失。
本发明所述的基于级联生成对抗网络的局部放电数据生成方法,包括以下步骤:
步骤一:获取悬浮电位缺陷、绝缘类放电缺陷、尖端电晕缺陷和微粒放电缺陷等共四种缺陷类别的GIS局部放电数据样本。
步骤二:使用线性归一化函数对GIS设备局部放电数据进行统一,计算公式为:
式中:x2表示样本集中最小数据,x1表示样本集中最大数据,x表示归一化前数据,x'表示归一化后数据。
步骤三:构建具有级联结构的CasTGAN模型,训练生成数据。
CasTGAN由顺序连接的多个生成器级联,并与辅助学习器相结合而成,其模型结构如图1所示。Gi和ALi表示独立的生成器和辅助学习器,Zi表示噪音,D表示鉴别器。每个生成器Gi都使用初级神经网络生成其目标特征,并按顺序布局。第一个生成器将随机噪声向量作为输入,除第一个生成器以外的其他生成器将前一个生成器的输出和噪声向量作为自己的输入。Gi的输出可以表示为:
其中,φi代表生成器的输入,代表生成器的输出。
生成器Gi将传递给Gi+1的信息是:
其中,Gi+1代表下一个生成器,代表生成器的目标特征,φi-1代表上一个生成器的输入,/>代表来自上一个生成器的信息,i代表生成器序号。
生成器实际上是由两个不同的神经网络组成的:
①初级神经网络,其输入是:
②次级神经网络,其输入为上述噪声向量z,输出Zi为上述冗余信息输出,不传递给Gi+1,而是由ALi使用。
由于损失没有反向传播到次级神经网络,因此Gi保留了基于提供给它的输入生成目标特征的主要目标。综上级联生成器的整体结构可表示为:
其中,是生成的合成输出。
在CasTGAN中,制作了M个辅助学习器{AL1,…,ALM}用于学习预测单个特征。由于其在大数据集上的可扩展性和相对较快的收敛速度,使用光梯度增强决策树构建辅助学习器,均方误差损失用于辅助学习器的训练,交叉熵损失用于预测分类和二元变量。
噪声向量这里设置为128,超参数可调。初级神经网络的隐藏层大小为(128,64),使用与ReLU相反的具有小负斜率的LeakyReLU激活函数。鉴别器架构为两个大小为(256,128)的隐藏层,激活函数为LeakyReLU,真实样本输入鉴别器之前,在其列中添加了一个分布为N(0,0.01)的高斯噪声。为了缓解模式崩溃和GAN训练不稳定性问题,使用梯度惩罚计算鉴别器损失。
步骤四:设置白盒隐私攻击。
假设攻击者可以访问训练过的辅助学习器,并试图通过估计隐藏特征的迭代过程来重建训练样本。使用合成数据的攻击者将在给定时间从数据中删除一列,使用相应的辅助学习器利用剩余的特征来预测被掩盖的特征,然后用辅助学习器的预测输出替换被屏蔽的列。在这种设置中,单个迭代指的是遍历所有辅助学习器,然后一次替换数据集中的所有列。
为了评估这种白盒攻击对模型的有效性,使用一个扰动参数ε来控制辅助学习器的训练。扰动参数转化为在GAN训练之前训练辅助学习器时被修改的标签样本的比例。辅助学习器对应于一个数字列xi,对数值变量进行扰动,使得给定样本的扰动变量被计算为α是随机抽取的浮点数,范围在-1至1。同时,通过从所述特征的所有唯一类别的列表中随机选择一个类别来扰动分类特征。起初用ε=0.0进行实验,这意味着没有扰动发生。逐渐将这个值增加到ε=0.3,这意味着在辅助训练之前,每个辅助学习器随机选择的样本中有30%受到了扰动。
攻击迭代的次数设置为5,其中合成数据中的每个特征根据辅助学习器的输出更新5次。隶属度攻击是在总样本总数的10%上发起的。攻击样本的比例不会影响方法的鲁棒性评估,因为只计算关于被攻击样本的攻击距离度量。在隶属度攻击前,被攻击样本到训练数据和合成数据的欧氏距离计算如表1所示。
表1白盒隐私攻击影响结果
训练样本 | 攻击样本 | |
ε=0 | 0.14 | 0.37 |
ε=0.1 | 0.22 | 0.63 |
ε=0.2 | 0.45 | 1.22 |
ε=0.3 | 0.63 | 1.75 |
从表1中可以看出,扰动参数ε极大地影响了攻击样本与训练数据的接近度。对于未扰动和最小扰动的数据特征,可以注意到攻击样本与训练样本相对接近,表明攻击者可能成功恢复训练数据点。对于更大的ε值,训练样本的接近度会增加,这表明在改变标签时可以提供额外的隐私保证,增加其对白盒隐私攻击的鲁棒性。
本发明采用上述基于级联生成对抗网络的局部放电数据生成方法,级联布局中设计多个生成器,其中每个生成器专注于生成单个数据特征,所提模型具有较低的计算复杂度,训练速度更快。另外由于每个特征都分配一个辅助学习器,因此生成的数据样本与最初生成的目标特征相关性更强,更符合原始特征分布。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于级联生成对抗网络的局部放电数据生成方法,其特征在于:包括以下步骤:
步骤一,获取悬浮电位缺陷、绝缘类放电缺陷、尖端电晕缺陷和微粒放电缺陷的GIS局部放电数据样本;
步骤二,对获取的局部放电数据进行归一化处理;
步骤三,构建具有级联结构的CasTGAN模型,训练生成数据;
步骤四,设计白盒攻击,评估CasTGAN模型的有效性及可靠性。
2.根据权利要求1所述的基于级联生成对抗网络的局部放电数据生成方法,其特征在于:步骤二中,使用线性归一化函数对GIS设备局部放电数据进行统一,计算公式为:
式中:x2表示样本集中最小数据,x1表示样本集中最大数据,x表示归一化前数据,x'表示归一化后数据。
3.根据权利要求2所述的基于级联生成对抗网络的局部放电数据生成方法,其特征在于:步骤三中,CasTGAN模型包括顺序连接的多个生成器以及辅助学习器,Gi表示独立的生成器,ALi辅助学习器,Zi表示噪音,D表示鉴别器;每个生成器Gi均使用初级神经网络生成其目标特征,并按顺序布局;第一个生成器将随机噪声向量作为输入,除第一个生成器以外的其他生成器将前一个生成器的输出和噪声向量作为自己的输入,Gi的输出表示为:
其中,φi代表生成器的输入,代表生成器的输出;
生成器Gi将传递给Gi+1的信息是:
其中,Gi+1代表下一个生成器,代表生成器的目标特征,φi-1代表上一个生成器的输入,/>代表来自上一个生成器的信息,i代表生成器序号。
4.根据权利要求3所述的基于级联生成对抗网络的局部放电数据生成方法,其特征在于:生成器包括初级神经网络和次级神经网络,初级神经网络的输入是:
5.根据权利要求4所述的基于级联生成对抗网络的局部放电数据生成方法,其特征在于:次级神经网络的输入为初级神经网络噪声向量z,输出Zi为初级神经网络冗余信息输出,不传递给Gi+1,由ALi使用;
Gi保留了其主要目标,根据输入生成目标特征,级联生成器的结构表示为:
其中,是生成的合成输出。
6.根据权利要求5所述的基于级联生成对抗网络的局部放电数据生成方法,其特征在于:步骤四中,假设攻击者访问训练过的辅助学习器,并通过估计隐藏特征的迭代过程重建训练样本;使用合成数据的攻击者将在给定时间从数据中删除一列,使用相应的辅助学习器利用剩余的特征预测被掩盖的特征,然后用辅助学习器的预测输出替换被屏蔽的列。
7.根据权利要求6所述的基于级联生成对抗网络的局部放电数据生成方法,其特征在于:在上述设置中,单个迭代指的是遍历所有辅助学习器,并一次替换数据集中的所有列。
8.根据权利要求7所述的基于级联生成对抗网络的局部放电数据生成方法,其特征在于:使用一个扰动参数ε控制辅助学习器的训练,评估白盒攻击对模型的有效性;扰动参数转化为在GAN训练之前训练辅助学习器时被修改的标签样本的比例,辅助学习器对应于一个数字列xi,对数值变量进行扰动,使得给定样本的扰动变量被计算为/>α是随机抽取的浮点数,α的范围在-1至1,通过从所述特征的所有唯一类别的列表中选择一个类别来扰动分类特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311529592.1A CN117454181B (zh) | 2023-11-16 | 2023-11-16 | 基于级联生成对抗网络的局部放电数据生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311529592.1A CN117454181B (zh) | 2023-11-16 | 2023-11-16 | 基于级联生成对抗网络的局部放电数据生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117454181A true CN117454181A (zh) | 2024-01-26 |
CN117454181B CN117454181B (zh) | 2024-06-14 |
Family
ID=89594764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311529592.1A Active CN117454181B (zh) | 2023-11-16 | 2023-11-16 | 基于级联生成对抗网络的局部放电数据生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454181B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147797A (zh) * | 2019-04-12 | 2019-08-20 | 中国科学院软件研究所 | 一种基于生成式对抗网络的草图补全与识别方法和装置 |
CN113096020A (zh) * | 2021-05-08 | 2021-07-09 | 苏州大学 | 基于平均模式生成对抗网络的书法字体创作方法 |
CN114528896A (zh) * | 2020-11-23 | 2022-05-24 | 京东城市(北京)数字科技有限公司 | 模型训练、数据增强方法、装置、电子设备及存储介质 |
CN115481431A (zh) * | 2022-08-31 | 2022-12-16 | 南京邮电大学 | 基于双重扰动的联邦学习对抗推理攻击隐私保护方法 |
CN115546003A (zh) * | 2022-10-11 | 2022-12-30 | 西安电子科技大学 | 基于对抗训练网络的后门水印图像数据集生成方法 |
US20230308465A1 (en) * | 2023-04-12 | 2023-09-28 | Roobaea Alroobaea | System and method for dnn-based cyber-security using federated learning-based generative adversarial network |
-
2023
- 2023-11-16 CN CN202311529592.1A patent/CN117454181B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110147797A (zh) * | 2019-04-12 | 2019-08-20 | 中国科学院软件研究所 | 一种基于生成式对抗网络的草图补全与识别方法和装置 |
CN114528896A (zh) * | 2020-11-23 | 2022-05-24 | 京东城市(北京)数字科技有限公司 | 模型训练、数据增强方法、装置、电子设备及存储介质 |
CN113096020A (zh) * | 2021-05-08 | 2021-07-09 | 苏州大学 | 基于平均模式生成对抗网络的书法字体创作方法 |
CN115481431A (zh) * | 2022-08-31 | 2022-12-16 | 南京邮电大学 | 基于双重扰动的联邦学习对抗推理攻击隐私保护方法 |
CN115546003A (zh) * | 2022-10-11 | 2022-12-30 | 西安电子科技大学 | 基于对抗训练网络的后门水印图像数据集生成方法 |
US20230308465A1 (en) * | 2023-04-12 | 2023-09-28 | Roobaea Alroobaea | System and method for dnn-based cyber-security using federated learning-based generative adversarial network |
Non-Patent Citations (2)
Title |
---|
周星宇;潘志松;胡谷雨;段晔鑫;: "局部可视对抗扰动生成方法", 模式识别与人工智能, no. 01, 15 January 2020 (2020-01-15) * |
王德文;杨凯华;: "基于生成式对抗网络的窃电检测数据生成方法", 电网技术, no. 02, 5 February 2020 (2020-02-05) * |
Also Published As
Publication number | Publication date |
---|---|
CN117454181B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Analog circuit incipient fault diagnosis method using DBN based features extraction | |
CN111697621B (zh) | 基于ewt-pdbn组合的短期风电功率预测方法 | |
CN112989635B (zh) | 基于自编码器多样性生成机制的集成学习软测量建模方法 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
Wang et al. | Fault feature selection based on modified binary PSO with mutation and its application in chemical process fault diagnosis | |
CN112289329A (zh) | 一种基于gwo-kfcm的高压断路器故障诊断方法 | |
Irfan et al. | Performance analysis of machine learning techniques for wind speed prediction | |
Xu et al. | Reliability assessment of distribution networks through graph theory, topology similarity and statistical analysis | |
CN117454181B (zh) | 基于级联生成对抗网络的局部放电数据生成方法 | |
Fan et al. | An improved integrated prediction method of cyber security situation based on spatial-time analysis | |
CN117439045A (zh) | 综合能源系统多元负荷预测方法 | |
Bebarta et al. | Polynomial based functional link artificial recurrent neural network adaptive system for predicting Indian stocks | |
Jeng et al. | General type-2 fuzzy neural network with hybrid learning for function approximation | |
Zhou et al. | An improved extension neural network methodology for fault diagnosis of complex electromechanical system | |
CN115168864A (zh) | 一种基于特征交叉的智能交叉合约漏洞检测方法 | |
Wang et al. | Prediction of air pollution based on FCM-HMM Multi-model | |
Zhang et al. | Combined wind speed prediction model considering the spatio-temporal features of wind farm | |
Li | Successful applications and future challenges of machine learning for power systems: A summary of recent activities by the ieee wg on machine learning for power systems [what’s popular] | |
Di et al. | Online gaussian process regression for short-term probabilistic interval load prediction | |
Yu et al. | [Retracted] Analysis of Landscape Ecological Planning Based on the High‐Order Multiwavelet Neural Network Algorithm | |
CN115174421B (zh) | 基于自监督解缠绕超图注意力的网络故障预测方法及装置 | |
Wang et al. | Sparse Dictionary Learning for Transient Stability Assessment | |
CN113612660B (zh) | 一种基于种群自适应差分进化的lstm网络流量预测方法 | |
Wu et al. | Graph Learning based Generative Design for Resilience of Interdependent Network Systems | |
Li et al. | Fault diagnosis of smart grid based on improved immune 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 |