CN117851820A - 样本扩充方法、装置、电子设备及存储介质 - Google Patents
样本扩充方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117851820A CN117851820A CN202311735111.2A CN202311735111A CN117851820A CN 117851820 A CN117851820 A CN 117851820A CN 202311735111 A CN202311735111 A CN 202311735111A CN 117851820 A CN117851820 A CN 117851820A
- Authority
- CN
- China
- Prior art keywords
- target data
- acceleration model
- mean square
- square error
- activation energy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000001133 acceleration Effects 0.000 claims abstract description 109
- 230000004913 activation Effects 0.000 claims abstract description 54
- 230000015556 catabolic process Effects 0.000 claims description 16
- 238000006731 degradation reaction Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供一种样本扩充方法、装置、电子设备及存储介质，包括：获取目标数据的拟合曲线；基于所述拟合曲线确定所述目标数据的激活能，并基于所述激活能生成所述目标数据的加速模型；确定所述目标数据与所述拟合曲线间的均方误差；基于所述均方误差以及所述加速模型生成所述目标数据的扩充样本。本公开中，首先获取了目标数据的拟合曲线，然后基于此拟合曲线确定了目标数据的激活能，之后又基于激活能生成了目标数据的加速模型，最后基于目标数据与拟合曲线间的均方误差，以及前述的加速模型生成了本公开中的扩充样本。
Description
技术领域
本发明涉及寿命评估技技术领域，尤其涉及一种样本扩充方法、装置、电子设备及存储介质。
背景技术
为了使得机械产品和电子产品的使用感受更加良好，研发人员通常需要在产品出厂前对产品的寿命进行评估。在实际生产中，对机械产品和电子产品开展寿命评估的时间成本和经济成本很高。因此，如何生成大批量的评估样本，进而基于评估样本完成产品寿命的评估成为了亟需解决的问题。
在现有技术中，传统的样本扩充方法获得的样本数据量很少，且其往往根据已有的产品数据，进行相同特征数据的生成。这使得针对加速试验所得到的产品数据无法采用传统的样本扩充方法进行样本扩充。
发明内容
有鉴于此，本公开的目的在于提出一种样本扩充方法、装置、电子设备及存储介质。
作为本公开的一个方面，提供了一种样本扩充方法，包括：
获取目标数据的拟合曲线；
基于所述拟合曲线确定所述目标数据的激活能，并基于所述激活能生成所述目标数据的加速模型；
确定所述目标数据与所述拟合曲线间的均方误差；
基于所述均方误差以及所述加速模型生成所述目标数据的扩充样本。
可选的，所述获取目标数据的拟合曲线之前，所述方法还包括：
获取目标设备的历史参数信息；
基于所述历史参数信息构建初始加速模型；
基于所述初始加速模型确定所述目标设备在预设温度下的加速系数；
基于所述加速系数生成所述目标设备在所述预设温度下的目标数据；
对所述目标数据进行拟合处理，得到所述目标数据的拟合曲线。
其中，所述初始加速模型表示为：
其中，R(S)表示在应力S下的退化特征速率，A表示与目标数据相关的常数，Ea表示激活能(eV)，X表示波尔兹曼常数K＝1.38×10-23J/K。
可选的，所述加速系数表示为：
其中，AF表示目标数据在预设温度下的加速系数，R(Sk)表示在应力Sk下的退化特征速率，R(S0)表示在应力S0下的退化特征速率，Ea表示激活能，K表示波尔兹曼常数K＝1.38×10-23J/K。
可选的，所述基于所述拟合曲线确定所述目标数据的激活能，并基于所述激活能生成所述目标数据的加速模型，包括：
对所述初始加速模型进行对数处理，得到对数处理后的加速模型；
基于所述拟合曲线以及所述目标数据，对所述对数处理后的加速模型进行求解，得到所述激活能；
基于所述激活能对所述初始加速模型进行优化处理，生成所述目标数据的加速模型。
可选的，所述确定所述目标数据与所述拟合曲线间的均方误差，包括：
确定所述目标数据在预设时间内的初始性能观测值；
基于所述拟合曲线计算所述目标数据在所述预设时间内的目标性能观测值；
基于所述初始性能观测值以及所述目标性能观测值，确定所述目标数据与所述拟合曲线间的均方误差。
可选的，所述均方误差表示为：
其中，MSE表示均方误差，yijk表示初始性能观测值，表示目标性能观测值，q为加速应力水平数，nk为在Sk应力下目标设备的个数，mir为观测的次数。
可选的，所述基于所述均方误差以及所述加速模型生成所述目标数据的扩充样本，包括：
基于所述加速模型确定所述目标数据的虚拟应力；
基于所述虚拟应力确定所述目标数据的性能预测值；
基于所述性能预测值以及所述均方误差生成所述目标数据的扩充样本；
其中，所述扩充样本表示为：
其中，所述表示性能预测值，MSSE表示均方误差，/>表示虚拟应力，表示为tijr时间下的线性或非线性函数，N表示正态分布。
作为本公开的第二个方面，本公开还提供了一种样本扩充装置，包括：
拟合曲线获取模块，被配置为：获取目标数据的拟合曲线；
加速模型生成模块，被配置为：基于所述拟合曲线确定所述目标数据的激活能，并基于所述激活能生成所述目标数据的加速模型；
均方误差确定模块，被配置为：确定所述目标数据与所述拟合曲线间的均方误差；
数据样本扩充模块，被配置为：基于所述均方误差以及所述加速模型生成所述目标数据的扩充样本。
作为本公开的第三个方面，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本公开所提供的上述的样本扩充方法。
作为本公开的第四个方面，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上任意一项所述的方法。
如上所述，本公开中，首先获取了目标数据的拟合曲线，然后基于此拟合曲线确定了目标数据的激活能，之后又基于激活能生成了目标数据的加速模型，最后基于目标数据与拟合曲线间的均方误差，以及前述的加速模型生成了本公开中的扩充样本。
附图说明
为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1A为本公开实施例所提供的一种样本扩充方法示意图。
图1B为本公开实施例所提供的一种确定均方误差的方法示意图。
图1C为本公开实施例所提供的一种生成扩充样本的方法示意图。
图2为本公开实施例所提供的一种样本扩充装置的结构示意图。
图3为本公开实施例所提供的一种样本扩充方法的电子设备结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“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。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“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。
如背景技术部分所述，为了使得机械产品和电子产品的使用感受更加良好，研发人员通常需要在产品出厂前对产品的寿命进行评估。在实际生产中，对机械产品和电子产品开展寿命评估的时间成本和经济成本很高。因此，如何生成大批量的评估样本，进而基于评估样本完成产品寿命的评估成为了亟需解决的问题。
在现有技术中，传统的样本扩充方法获得的样本数据量很少，且其往往根据已有的产品数据，进行相同特征数据的生成。这使得针对加速试验所得到的产品数据无法采用传统的样本扩充方法进行样本扩充。
为了解决上述问题，本公开提供了一种样本扩充方法、装置、电子设备及存储介质。通过上述方法，本公开首先获取了目标数据的拟合曲线，然后基于此拟合曲线确定了目标数据的激活能，之后又基于激活能生成了目标数据的加速模型，最后基于目标数据与拟合曲线间的均方误差，以及前述的加速模型生成了本公开中的扩充样本。
在本公开中，其通过拟合曲线确定了目标数据的激活能，进而基于此激活能确定了目标数据与拟合曲线间的均方误差，最后通过均方误差以及加速模型实现了样本的扩充。本公开中通过上述过程在样本扩充时考虑到了样本的观测的随机性，增强了扩充样本对真实数据随机性的体现，使用本公开中的样本扩充方法进行训练可提升模型鲁棒性。
综上所述，本公开中的方法还可以通过少量的数据样本实现批量的样本扩充。在本公开中其通过计算得到激活能，并结合目标数据的随机性，生成了不同应力下带随机波动的性能非线性退化曲线样本。
在介绍了本公开的基本原理之后，下面具体介绍本公开的各种非限制性实施方式。
图1A为本公开实施例所提供的一种样本扩充方法示意图。
图1A所示的样本扩充方法进一步包括以下步骤：
步骤S10：获取目标数据的拟合曲线。
在一些可选的实施例中，在步骤S10之前，所述方法还包括：
S05：获取目标设备的历史参数信息。
S06：基于所述历史参数信息构建初始加速模型。
S07：基于所述初始加速模型确定所述目标设备在预设温度下的加速系数。
S08：基于所述加速系数生成所述目标设备在所述预设温度下的目标数据。
S09：对所述目标数据进行拟合处理，得到所述目标数据的拟合曲线。
在一些可选的实施例中，本公开中的样本扩充方法可以通过样本扩充模型来实现。具体的，样本扩充模型可以先确定待评估寿命的目标设备。之后样本扩充模型可以基于待评估的目标设备进行样本扩充，进而可以得到大量的扩充样本，最终样本扩充模型还可以使用所得到的大量的扩充样本进行设备的寿命评估，进而得到寿命评估结果。
在一些可选的实施例中，样本扩充模型在对目标设备进行样本扩充时，其通常需要先获取目标设备的历史参数信息，然后基于基于历史参数信息构建初始加速模型。之后再通过初始加速模型对目标设备进行样本扩充。
在一些可选的实施例中，前述的初始加速模型可以表示为：
其中，R(S)表示在应力S下的退化特征速率，A表示与目标数据相关的常数，Ea表示激活能(eV)，K表示波尔兹曼常数K＝1.38×10-23J/K。
在一些可选的实施例中，前述的加速系数可以表示为：
其中，AF表示目标数据在预设温度下的加速系数，R(Sk)表示在应力Sk下的退化特征速率，R(S0)表示在应力S0下的退化特征速率，Ea表示激活能，K表示波尔兹曼常数K＝1.38×10-23J/K。
在一些可选的实施例中，前述的通过初始加速模型对目标设备进行样本扩充的过程具体为，样本扩充模型可以首先基于初始加速模型确定目标设备在预设温度下的加速系数，然后样本扩充模型再基于加速系数生成目标设备在预设温度下的目标数据，之后再对目标数据进行拟合处理，得到目标数据的拟合曲线，最后基于此拟合曲线实现样本扩充。
在一些可选的实施例中，前述的初始加速模型即可以是经由样本扩充模型生成，并内置在样本扩充模型内部的模型结构，也可以是样本扩充模型直接从现有的模型中直接获取，并内置在样本扩充模型内部的模型结构。前述的预设温度可以是70℃和90℃。
步骤S20：基于所述拟合曲线确定所述目标数据的激活能，并基于所述激活能生成所述目标数据的加速模型。
在一些可选的实施例中，步骤S20进一步包括：
S201：对所述初始加速模型进行对数处理，得到对数处理后的加速模型。
S202：基于所述拟合曲线以及所述目标数据，对所述对数处理后的加速模型进行求解，得到所述激活能。
S203：基于所述激活能对所述初始加速模型进行优化处理，生成所述目标数据的加速模型。
在一些可选的实施例中，样本扩充模型在得到拟合曲线之后，则可以基于此拟合曲线确定目标数据的激活能，进而可以基于所得到的激活能生成目标数据的加速模型。具体的，样本扩充模型首先可以对初始加速模型进行对数处理，得到对数处理后的加速模型。
在一些可选的实施例中，前述的对数处理后的加速模型可以表示为：
ln R(S)＝a+b/S
其中，a＝ln A，b＝-Ea/K，R(S)表示在应力S下的退化特征速率，A表示与目标数据相关的常数，Ea表示激活能(eV)，K表示波尔兹曼常数K＝1.38×10-23J/K。
在一些可选的实施例中，样本扩充模型在得到对数处理后的加速模型之后，则可以基于所述拟合曲线以及所述目标数据，对对数处理后的加速模型进行求解，得到激活能。最后样本扩充模型可以基于激活能对初始加速模型进行优化处理，进而可以生成目标数据的加速模型。
在一些可选的实施例中，前述的加速模型可以表示为：
其中，R(S)表示在应力S下的退化特征速率，A表示与目标数据相关的常数，表示基于对数处理后的加速模型求解得到的激活能，K表示波尔兹曼常数K＝1.38×10-23J/K。
步骤S30：确定所述目标数据与所述拟合曲线间的均方误差。
图1B为本公开实施例所提供的一种确定均方误差的方法示意图。
在一些可选的实施例中，如图1B所示，步骤S30进一步包括：
S301：确定所述目标数据在预设时间内的初始性能观测值。
S302：基于所述拟合曲线计算所述目标数据在所述预设时间内的目标性能观测值。
S303：基于所述初始性能观测值以及所述目标性能观测值，确定所述目标数据与所述拟合曲线间的均方误差。
在一些可选的实施例中，样本扩充模型在生成了目标数据的加速模型之后，则可以基于此加速模型生成目标数据的扩充样本。具体的，样本扩充模型首先可以确定目标数据在预设时间内的初始性能观测值，然后样本扩充模型可以基于拟合曲线计算所述目标数据在预设时间内的目标性能观测值。
在一些可选的实施例中，样本扩充模型在确定了目标数据在预设时间内的初始性能观测值，以及基于拟合曲线计算目标数据在预设时间内的目标性能观测值之后，则可以基于初始性能观测值以及目标性能观测值，确定目标数据与拟合曲线间的均方误差。
在一些可选的实施例中，前述的均方误差可以表示为：
其中，MSE表示均方误差，yijk表示初始性能观测值，表示目标性能观测值，q为加速应力水平数，nk为在Sk应力下目标设备的个数，mir为观测的次数。
步骤S40：基于所述均方误差以及所述加速模型生成所述目标数据的扩充样本。
图1C为本公开实施例所提供的一种生成扩充样本的方法示意图。
在一些可选的实施例中，如图1C所示，步骤S40进一步包括：
S401：基于所述加速模型确定所述目标数据的虚拟应力。
S402：基于所述虚拟应力确定所述目标数据的性能预测值。
S403：基于所述性能预测值以及所述均方误差生成所述目标数据的扩充样本。
在一些可选的实施例中，样本扩充模型在得到前述的均方误差之后，则可以基于前述的加速模型设置目标数据的虚拟应力其中p为虚拟加速应力水平数。在应力/>下目标设备i在预设时间tijr下的性能预计值可以表示为/>其中i＝1,2,…,nr，nr为在/>应力下虚拟设备的个数；j＝1,2,…,mir，mir为观测的次数。
在一些可选的实施例中，样本扩充模型在确定了虚拟应力之后，则可以基于虚拟应力确定目标数据的性能预测值。最后样本扩充模型可以基于性能预测值以及前述的均方误差生成目标数据的扩充样本。
在一些可选的实施例中，若给定应力水平为则有：
在一些可选的实施例中，为了体现目标数据的随机性，前述的扩充样本则可以表示为：
其中，所述表示性能预测值，MSSE表示均方误差，/>表示虚拟应力，表示为tijr时间下的线性或非线性函数，N表示正态分布。
通过上述方法，在本公开中首先获取了目标数据的拟合曲线，然后基于此拟合曲线确定了目标数据的激活能，之后又基于激活能生成了目标数据的加速模型，最后基于目标数据与拟合曲线间的均方误差，以及前述的加速模型生成了本公开中的扩充样本。
在本公开中，其通过拟合曲线确定了目标数据的激活能，进而基于此激活能确定了目标数据与拟合曲线间的均方误差，最后通过均方误差以及加速模型实现了样本的扩充。本公开中通过上述过程在样本扩充时考虑到了样本的观测的随机性，增强了扩充样本对真实数据随机性的体现，使用本公开中的样本扩充方法进行训练可提升模型鲁棒性。
综上所述，本公开中的方法还可以通过少量的数据样本实现批量的样本扩充。在本公开中其通过计算得到激活能，并结合目标数据的随机性，生成了不同应力下带随机波动的性能非线性退化曲线样本。
基于同一技术构思，与上述任意实施例方法相对应的，本公开还提供了一种样本扩充装置，通过本公开所提供的样本扩充装置可以实现以上任意一实施例所述的样本扩充方法。
图2为本公开实施例所提供的一种样本扩充装置结构示意图。
图2所示的样本扩充装置进一步包括以下模块：
拟合曲线获取模块10、加速模型生成模块20、均方误差确定模块30以及数据样本扩充模块40；
其中，所述拟合曲线获取模块10，被配置为：获取目标数据的拟合曲线。具体执行以下步骤：
获取目标设备的历史参数信息；
基于所述历史参数信息构建初始加速模型；
基于所述初始加速模型确定所述目标设备在预设温度下的加速系数；
基于所述加速系数生成所述目标设备在所述预设温度下的目标数据；
对所述目标数据进行拟合处理，得到所述目标数据的拟合曲线。
其中，所述初始加速模型表示为：
其中，R(S)表示在应力S下的退化特征速率，A表示与目标数据相关的常数，Ea表示激活能(eV)，K表示波尔兹曼常数K＝1.38×10-23j/K；
所述加速系数表示为：
其中，AF表示目标数据在预设温度下的加速系数，R(Sk)表示在应力Sk下的退化特征速率，R(S0)表示在应力S0下的退化特征速率，Ea表示激活能，K表示波尔兹曼常数K＝1.38×10-23J/K。
所述加速模型生成模块20，被配置为：基于所述拟合曲线确定所述目标数据的激活能，并基于所述激活能生成所述目标数据的加速模型。具体执行以下步骤：
对所述初始加速模型进行对数处理，得到对数处理后的加速模型；
基于所述拟合曲线以及所述目标数据，对所述对数处理后的加速模型进行求解，得到所述激活能；
基于所述激活能对所述初始加速模型进行优化处理，生成所述目标数据的加速模型。
所述均方误差确定模块30，被配置为：确定所述目标数据与所述拟合曲线间的均方误差。具体执行以下步骤：
确定所述目标数据在预设时间内的初始性能观测值；
基于所述拟合曲线计算所述目标数据在所述预设时间内的目标性能观测值；
基于所述初始性能观测值以及所述目标性能观测值，确定所述目标数据与所述拟合曲线间的均方误差；
所述均方误差表示为：
其中，MSE表示均方误差，yijk表示初始性能观测值，表示目标性能观测值，q为加速应力水平数，nk为在Sk应力下目标设备的个数，mir为观测的次数。
所述数据样本扩充模块40，被配置为：基于所述均方误差以及所述加速模型生成所述目标数据的扩充样本。具体执行以下步骤：
基于所述加速模型确定所述目标数据的虚拟应力；
基于所述虚拟应力确定所述目标数据的性能预测值；
基于所述性能预测值以及所述均方误差生成所述目标数据的扩充样本；
其中，所述扩充样本表示为：
其中，所述表示性能预测值，MSE表示均方误差，/>表示虚拟应力，表示为tijr时间下的线性或非线性函数，N表示正态分布。
基于同一技术构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上任意一实施例所述的样本扩充方法。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的样本扩充方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一技术构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的样本扩充方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的样本扩充方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种样本扩充方法，其特征在于，包括：
获取目标数据的拟合曲线；
基于所述拟合曲线确定所述目标数据的激活能，并基于所述激活能生成所述目标数据的加速模型；
确定所述目标数据与所述拟合曲线间的均方误差；
基于所述均方误差以及所述加速模型生成所述目标数据的扩充样本。
2.根据权利要求1所述的方法，其特征在于，所述获取目标数据的拟合曲线之前，所述方法还包括：
获取目标设备的历史参数信息；
基于所述历史参数信息构建初始加速模型；
基于所述初始加速模型确定所述目标设备在预设温度下的加速系数；
基于所述加速系数生成所述目标设备在所述预设温度下的目标数据；
对所述目标数据进行拟合处理，得到所述目标数据的拟合曲线；
其中，所述初始加速模型表示为：
其中，R(S)表示在应力S下的退化特征速率，A表示与目标数据相关的常数，Ea表示激活能(eV)，K表示波尔兹曼常数K＝1.38×10-23J/K。
3.根据权利要求2所述的方法，其特征在于，所述加速系数表示为：
其中，AF表示目标数据在预设温度下的加速系数，R(Sk)表示在应力Sk下的退化特征速率，R(S0)表示在应力S0下的退化特征速率，Ea表示激活能，K表示波尔兹曼常数K＝1.38×10-23J/K。
4.根据权利要求2所述的方法，其特征在于，所述基于所述拟合曲线确定所述目标数据的激活能，并基于所述激活能生成所述目标数据的加速模型，包括：
对所述初始加速模型进行对数处理，得到对数处理后的加速模型；
基于所述拟合曲线以及所述目标数据，对所述对数处理后的加速模型进行求解，得到所述激活能；
基于所述激活能对所述初始加速模型进行优化处理，生成所述目标数据的加速模型。
5.根据权利要求1所述的方法，其特征在于，所述确定所述目标数据与所述拟合曲线间的均方误差，包括：
确定所述目标数据在预设时间内的初始性能观测值；
基于所述拟合曲线计算所述目标数据在所述预设时间内的目标性能观测值；
基于所述初始性能观测值以及所述目标性能观测值，确定所述目标数据与所述拟合曲线间的均方误差。
6.根据权利要求1所述的方法，其特征在于，所述均方误差表示为：
其中，MSE表示均方误差，yijk表示初始性能观测值，表示目标性能观测值，q为加速应力水平数，nk为在Sk应力下目标设备的个数，mir为观测的次数。
7.根据权利要求1所述的方法，其特征在于，所述基于所述均方误差以及所述加速模型生成所述目标数据的扩充样本，包括：
基于所述加速模型确定所述目标数据的虚拟应力；
基于所述虚拟应力确定所述目标数据的性能预测值；
基于所述性能预测值以及所述均方误差生成所述目标数据的扩充样本；
其中，所述扩充样本表示为：
其中，所述表示性能预测值，MSE表示均方误差，/>表示虚拟应力，表示为tijr时间下的线性或非线性函数，N表示正态分布。
8.一种样本扩充装置，其特征在于，包括：
拟合曲线获取模块，被配置为：获取目标数据的拟合曲线；
加速模型生成模块，被配置为：基于所述拟合曲线确定所述目标数据的激活能，并基于所述激活能生成所述目标数据的加速模型；
均方误差确定模块，被配置为：确定所述目标数据与所述拟合曲线间的均方误差；
数据样本扩充模块，被配置为：基于所述均方误差以及所述加速模型生成所述目标数据的扩充样本。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行权利要求1至7任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311735111.2A CN117851820A (zh) | 2023-12-15 | 2023-12-15 | 样本扩充方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311735111.2A CN117851820A (zh) | 2023-12-15 | 2023-12-15 | 样本扩充方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117851820A true CN117851820A (zh) | 2024-04-09 |
Family
ID=90542773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311735111.2A Pending CN117851820A (zh) | 2023-12-15 | 2023-12-15 | 样本扩充方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117851820A (zh) |
-
2023
- 2023-12-15 CN CN202311735111.2A patent/CN117851820A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11169911B2 (en) | Method and apparatus for performing a fitting calculation on test data and generating data fluctuation values | |
| US20160171735A1 (en) | Computing device and method for joining point clouds | |
| CN111931345B (zh) | 一种监测数据预测方法、装置、设备及可读存储介质 | |
| CN112037223B (zh) | 图像缺陷检测方法、装置及电子设备 | |
| CN111612158A (zh) | 模型部署方法、装置、设备和存储介质 | |
| CN111475853A (zh) | 一种基于分布式数据的模型训练方法及系统 | |
| CN111079944A (zh) | 迁移学习模型解释实现方法及装置、电子设备、存储介质 | |
| CN117592012A (zh) | 基于线性回归和决策树的石油特征处理方法、装置及设备 | |
| CN112468984A (zh) | 一种电力无线专网基站选址方法及相关设备 | |
| CN114579933B (zh) | 误差测量优化方法、装置、电子设备及可读存储介质 | |
| CN111798263A (zh) | 一种交易趋势的预测方法和装置 | |
| CN114638411A (zh) | 二氧化碳浓度预测方法、装置、设备及介质 | |
| CN115689061B (zh) | 风电超短期功率预测方法及相关设备 | |
| JP2016057193A (ja) | 気象予測装置及び気象予測方法 | |
| CN117851820A (zh) | 样本扩充方法、装置、电子设备及存储介质 | |
| CN113496698B (zh) | 训练数据的筛选方法、装置、设备和存储介质 | |
| CN115470190A (zh) | 一种多存储池数据分类存储方法、系统与电子设备 | |
| US10394927B2 (en) | Electronic apparatus, electronic apparatus system, graphing method, and non-transitory computer-readable recording medium | |
| CN116091263B (zh) | 光伏电站的理论功率计算方法及相关设备 | |
| CN112836900A (zh) | 风电预测误差概率计算方法、装置及可读存储介质 | |
| CN111798265A (zh) | 一种适用于企业用户的精准营销方法和装置 | |
| CN115906368A (zh) | 温度信号实时载荷谱计算方法及相关设备 | |
| CN113469565B (zh) | 能力不可代偿机制下多功能装备方案选择方法及相关设备 | |
| CN118553396A (zh) | 仪器评价方法及相关设备 | |
| CN110046711B (zh) | 一种模型特征剔除方法及装置 |
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 |