期刊文献+
共找到190篇文章
< 1 2 10 >
每页显示 20 50 100
基于改进ACGAN算法的带钢小样本数据增强方法 被引量:1
1
作者 师红宇 王嘉鑫 李怡 《计算机集成制造系统》 北大核心 2025年第1期211-218,共8页
为了解决带钢小样本数据集在深度学习中出现的模式崩溃、图像模糊和错判等问题,提出一种改进的ACGAN数据增强方法。首先,模型中引入带梯度惩罚项的Wasserstein距离作为损失函数,解决了模式崩溃和训练不稳定问题;其次,生成器网络中改进... 为了解决带钢小样本数据集在深度学习中出现的模式崩溃、图像模糊和错判等问题,提出一种改进的ACGAN数据增强方法。首先,模型中引入带梯度惩罚项的Wasserstein距离作为损失函数,解决了模式崩溃和训练不稳定问题;其次,生成器网络中改进标签反卷积网络,使标签信息更好地贯穿整个生成网络,并在其末端设计了去噪结构,提高了生成图像质量;接着,判别器网络中引入级联融合思想,增强了网络判别能力;最后,将改进前后的模型在NEU带钢表面缺陷数据集和MNIST数据集上进行对比实验,结果表明:所提模型生成各类样本图像的清晰度、准确性明显提高,并且客观指标FID的平均值在NEU带钢表面缺陷数据集上下降了15.8%,在MNIST数据集下降了73%,为带钢小样本数据集的扩充提供了一种新方法。 展开更多
关键词 图像生成 生成对抗网络 数据增强 小样本
在线阅读 下载PDF
CNN-DLSTM结合迁移学习的小样本轴承故障诊断方法
2
作者 仇芝 徐泽瑜 +2 位作者 陈涛 石明江 韦明辉 《机械科学与技术》 北大核心 2025年第2期288-297,共10页
针对轴承故障数据样本少、未知故障难以分类等问题,提出了一种将一维卷积神经网络(1D convolutional neural network, 1D-CNN)连接深层长短时记忆循环神经网络(Deep long-short-term memory neural network, DLSTM)的模型结合迁移学习... 针对轴承故障数据样本少、未知故障难以分类等问题,提出了一种将一维卷积神经网络(1D convolutional neural network, 1D-CNN)连接深层长短时记忆循环神经网络(Deep long-short-term memory neural network, DLSTM)的模型结合迁移学习的故障诊断方法。该诊断方法基于电机振动数据,利用CNN提取故障特征;将特征作为DLSTM的输入,进一步学习、编码从CNN中学习的特征序列信息,捕获高级特征用于故障分类;首先用充足的西储轴承数据对该故障诊断模型进行预训练,再利用迁移学习放松训练数据和测试数据可不必独立同分布的能力,使用自制实验平台的小样本数据微调预训练模型。最后用迁移学习后的模型,对跨工况、跨型号、跨故障的故障轴承数据进行模拟实验。结果表明,所提出的方法与其他方法相比鲁棒性强,训练速度更快,能够更精确的诊断故障,平均诊断精度达到99%以上。 展开更多
关键词 小样本数据集故障诊断 卷积神经网络 长短期记忆网络 迁移学习
在线阅读 下载PDF
基于深度学习的轴承故障小样本扩容及智能诊断 被引量:1
3
作者 刘迪洋 张清华 胡勤 《机床与液压》 北大核心 2025年第4期10-18,共9页
由于轴承长期处于正常运行状态,从而使得可采集的故障数据十分有限,缺少足够的故障数据导致它与正常数据之间产生了数据不均衡问题。为了解决该问题,提出一种改进的深度卷积生成对抗网络与Swin Transformer模型相结合的故障诊断新方法... 由于轴承长期处于正常运行状态,从而使得可采集的故障数据十分有限,缺少足够的故障数据导致它与正常数据之间产生了数据不均衡问题。为了解决该问题,提出一种改进的深度卷积生成对抗网络与Swin Transformer模型相结合的故障诊断新方法。对轴承的振动信号进行连续小波变换(CWT)将其转化为时频图;构建改进的深度卷积生成对抗网络对故障信号生成的时频图进行样本扩容,以解决其样本不均衡问题;最后利用Swin Transformer模型完成对轴承故障的分类识别。实验结果表明:所提方法不仅可以生成与真实样本相似度较高的生成样本,同时能准确有效地对轴承的各类故障进行分类识别。 展开更多
关键词 数据不均衡 故障诊断 生成对抗网络 小波变换 样本扩容
在线阅读 下载PDF
基于多结构数据驱动的车轮扁疤定量识别方法
4
作者 钱新宇 谢清林 +1 位作者 陶功权 温泽峰 《浙江大学学报(工学版)》 北大核心 2025年第4期688-697,共10页
为了快速、准确检测车轮扁疤,提出以不同结构数据为驱动载体的车轮扁疤定量识别方法.将合成的扁疤车轮数据作为车轮不圆激励输入地铁车辆−轨道刚柔耦合动力学模型,获取不同工况下的轴箱振动响应.对轴箱振动响应进行数据规整,制成不同结... 为了快速、准确检测车轮扁疤,提出以不同结构数据为驱动载体的车轮扁疤定量识别方法.将合成的扁疤车轮数据作为车轮不圆激励输入地铁车辆−轨道刚柔耦合动力学模型,获取不同工况下的轴箱振动响应.对轴箱振动响应进行数据规整,制成不同结构形式的样本集,将它与速度信号融合输入多输入卷积神经网络(MCNN)模型进行训练,探究MCNN模型在不同数据结构输入下的性能差异.结果表明:相较于设置的其他输入数据结构,输入数据结构为时域、频域和时频域组合的MCNN模型识别性能最佳,平均绝对百分比误差与拟合度(R2)分别为1.947%和0.9978,耗时相对较低,单个样本为0.1579 ms.经典模型对比实验、速度信息消融实验和实测数据迁移学习实验的结果表明,输入数据结构为时域、频域和时频域组合的MCNN模型具有工程应用价值. 展开更多
关键词 车轮扁疤 定量识别 多结构数据样本集 多输入卷积神经网络 轴箱振动加速度
在线阅读 下载PDF
样本不平衡条件下的甘南地区金矿定量预测方法
5
作者 谢淼 柳炳利 +3 位作者 李芸和 王政尧 曹昌杰 吴艺骁 《地学前缘》 北大核心 2025年第4期108-121,共14页
深度学习模型因其在数据特征提取方面的强大能力而在成矿预测领域得到了广泛应用。然而,基于监督学习的深度学习方法常常面临着训练样本不足和正负样本不均衡的问题,尤其是成矿事件的稀有性易导致模型的稳健性与泛化能力不足。为了解决... 深度学习模型因其在数据特征提取方面的强大能力而在成矿预测领域得到了广泛应用。然而,基于监督学习的深度学习方法常常面临着训练样本不足和正负样本不均衡的问题,尤其是成矿事件的稀有性易导致模型的稳健性与泛化能力不足。为了解决这一问题,本文使用了3种不同的数据增强方法:一是使用滑动窗口的数据增强方法,以“已知正负样本”为中心,采用多次滑动的方式完成增强;二是使用生成式模型,如生成对抗网络(generative adversarial networks,GAN);三是带梯度惩罚的Wasserstein生成对抗网络(Wasserstein generative adversarial network with gradient penalty,WGAN-GP),利用真实样本训练网络,基于训练完备的生成器实现增强。3种不同的数据增强方法能够在样本量扩充的同时,尽可能地保留地质意义。为了验证数据增强的有效性,本文使用真实样本与生成样本之间的FID(Frechet inception distance)值和卷积神经网络(convolutional neural network,CNN)进行评估。结果表明,基于WGAN-GP增强后的数据集在CNN模型具有更强的泛化能力,绘制的甘南地区金矿成矿远景图为未来的矿产资源勘查工作提供了重要的启示。 展开更多
关键词 样本不均衡 数据增强 卷积神经网络 定量预测
在线阅读 下载PDF
基于混合负采样的图对比学习推荐算法
6
作者 田仁杰 景明利 +1 位作者 焦龙 王飞 《计算机应用》 北大核心 2025年第4期1053-1060,共8页
对比学习(CL)具有可从原始数据中提取自监督信号的特性,为推荐系统解决数据稀疏问题提供了有力支持。然而,现有的CL推荐算法大多着眼于改进模型结构和数据增强方法,忽视了提升推荐任务中的负样本质量以及挖掘用户与项目之间潜在隐性关... 对比学习(CL)具有可从原始数据中提取自监督信号的特性,为推荐系统解决数据稀疏问题提供了有力支持。然而,现有的CL推荐算法大多着眼于改进模型结构和数据增强方法,忽视了提升推荐任务中的负样本质量以及挖掘用户与项目之间潜在隐性关系的重要性。针对此问题,提出一种基于混合负采样的图对比学习推荐算法(HSGCL)。首先,与均匀采样方法从真实数据中采样不同,所提算法使用正样本混合方法将正样本信息融入负样本中;其次,通过跳跃混合方法创造富含信息的难负样本;同时,通过使用节点丢弃(ND),改变图结构以生成多个视图,并在嵌入空间中引入可控的均匀噪声平滑调整学习表示的均匀性;最后,将推荐主任务与CL任务进行联合训练。在Douban-Book、Yelp2018和Amazon-Kindle这3个公共数据集上的数值实验结果表明,相较于基线模型——轻量化图卷积网络(LightGCN),所提算法在召回率(Recall@20)上分别提升了23%、13%和7%,在归一化折损累积增益(NDCG@20)上分别提升了32%、14%和5%,且在提升负样本嵌入信息多样性方面表现优异。可见,所提算法从负采样方法和数据增强两方面进行改进,提高了负样本质量、表示分布的均匀性和推荐算法的准确性。 展开更多
关键词 图神经网络 对比学习 推荐系统 负采样 数据增强
在线阅读 下载PDF
基于TimeGAN-Stacking的风电机组变桨系统故障诊断方法
7
作者 潘美琪 贺兴 《太阳能学报》 北大核心 2025年第1期192-200,共9页
风电机组变桨系统的少量不均衡故障样本难以训练基于数据驱动的故障诊断模型,导致监测系统常常漏报或误报故障。针对上述问题,提出一种基于TimeGAN-Stacking的风电机组变桨系统故障诊断方法。在数据层面,由于原始样本类别不平衡,基于时... 风电机组变桨系统的少量不均衡故障样本难以训练基于数据驱动的故障诊断模型,导致监测系统常常漏报或误报故障。针对上述问题,提出一种基于TimeGAN-Stacking的风电机组变桨系统故障诊断方法。在数据层面,由于原始样本类别不平衡,基于时序生成对抗网络(TimeGAN)跟踪风电机组运行数据逐步概率分布的动态变化特征,同时优化生成样本的全局分布与局部分布,有效平衡且扩容风电机组多种故障综合样本集;在模型层面,建立Stacking集成模型,融合多个故障诊断器的优势,进一步提高故障诊断能力。最后,基于实际风场数据对所提方法进行测试,结果表明,所提出的TimeGAN-Stacking故障识别方法可有效诊断4种变桨故障。 展开更多
关键词 风电机组 数据挖掘 故障分析 深度学习 时序生成对抗网络 样本增强
在线阅读 下载PDF
基于CKAGAN的车辆传动系统轴承数据生成异常检测方法
8
作者 郝乃芃 陈涛 +1 位作者 贾然 胡谦 《机电工程》 北大核心 2025年第8期1512-1520,共9页
针对车辆传动系统轴承的异常样本稀缺,导致异常检测模型难以得到有效训练且准确率不足的问题,提出了一种基于卷积科尔莫戈洛夫-阿诺德生成对抗网络(CKAGAN)的数据生成异常检测方法,即采用卷积科尔莫戈洛夫-阿诺德网络(ConvKAN)作为生成... 针对车辆传动系统轴承的异常样本稀缺,导致异常检测模型难以得到有效训练且准确率不足的问题,提出了一种基于卷积科尔莫戈洛夫-阿诺德生成对抗网络(CKAGAN)的数据生成异常检测方法,即采用卷积科尔莫戈洛夫-阿诺德网络(ConvKAN)作为生成器和判别器的主要结构,以提升生成数据样本的质量和模型收敛速度。首先,使用短时傅里叶变换(STFT)获得了轴承振动信号的时频图样本,利用ConvKAN构建数据生成模型CKAGAN,并将轴承振动信号的不平衡数据集扩充至正常水平;然后,构建了用于异常数据分类的深度卷积神经网络,并将扩充后的数据与原始数据共同输入到模型中进行了训练;最后,采用实际车辆运行过程中采集到的实验数据,开展了轴承振动数据的异常检测实验。研究结果表明:基于CKAGAN的异常检测方法能够有效平衡异常数据集,使模型得到充分的训练并显著提升异常检测的准确率,为提高车辆传动系统轴承异常检测准确率提供了一种有效途径;其中,在实际的车辆传动系统轴承异常检测实验中,以50的异常样本量为例,CKAGAN生成的样本质量高于深度卷积生成对抗网络(DCGAN),生成样本的弗雷歇距离(FID)值分别为31和86;同时,CKAGAN异常检测方法的F1分数相较于未扩充数据集和DCGAN异常检测方法分别提升了27.17%和15.33%。可见CKAGAN方法能有效解决车辆传动系统轴承的异常检测准确率不足的问题。 展开更多
关键词 机械传动 深沟球轴承 卷积科尔莫戈洛夫-阿诺德生成对抗网络 短时傅里叶变换 数据不平衡 样本生成 深度卷积生成对抗网络 弗雷歇距离
在线阅读 下载PDF
基于Glow-ECNN模型的小样本滚动轴承故障诊断方法
9
作者 刘晓波 陈荣辉 +2 位作者 顾凯 任密蜂 韩晓明 《控制工程》 北大核心 2025年第7期1336-1344,共9页
针对实际工业生产中滚动轴承的故障样本不足导致故障诊断不够准确的问题,将添加了高效通道注意力(efficient channel attention,ECA)机制的卷积神经网络模型(即ECNN模型)与生成流(generative flow,Glow)模型相结合,提出了基于Glow-ECNN... 针对实际工业生产中滚动轴承的故障样本不足导致故障诊断不够准确的问题,将添加了高效通道注意力(efficient channel attention,ECA)机制的卷积神经网络模型(即ECNN模型)与生成流(generative flow,Glow)模型相结合,提出了基于Glow-ECNN模型的故障诊断方法。首先,通过连续小波变换将一维故障振动信号转换为包含时频特征信息的二维时频图像;然后,将时频图像输入Glow模型中进行数据增强,生成足量的且与原始时频图像具有相似分布的时频图像,并将生成时频图像与原始时频图像共同作为训练样本;最后,通过添加了ECA的ECNN模型对故障进行分类。实验结果表明,所提方法在小样本条件下对滚动轴承的故障诊断准确率可以达到99%,所提方法是可行且有效的。 展开更多
关键词 故障诊断 小样本 数据增强 卷积神经网络 Glow模型
在线阅读 下载PDF
基于改进图神经网络图形样本聚合的增量学习模型
10
作者 刘振柱 侯乔文 +2 位作者 兰媛 于磊 牛蔺楷 《机电工程》 北大核心 2025年第3期549-558,共10页
针对轴向柱塞泵在故障诊断中对大规模、动态变化数据处理困难,以及故障类型增加导致分类性能下降的问题,提出了一种基于改进图神经网络图形样本聚合(Graph-SAGE)的增量学习模型。首先,将轴向柱塞泵的不同故障振动信号构建为带标签的数据... 针对轴向柱塞泵在故障诊断中对大规模、动态变化数据处理困难,以及故障类型增加导致分类性能下降的问题,提出了一种基于改进图神经网络图形样本聚合(Graph-SAGE)的增量学习模型。首先,将轴向柱塞泵的不同故障振动信号构建为带标签的数据集,并通过数据增强生成了新的数据集;然后,采用K-最邻近法(KNN)分别构建了初始训练阶段和增量训练阶段的图结构数据(其中,初始阶段的图结构用于模型的初始训练,增量训练阶段的图结构用于增量训练);接着,为了确定最适合轴向柱塞泵故障图数据集的聚合方法,在初始训练阶段比较了不同聚合器对故障识别准确率的影响,并在增量训练阶段结合显性知识与隐性知识对模型进行了优化;最后,采用了实验的方式,验证了该模型的可行性,并通过对比实验和鲁棒性测试,对该模型的性能和稳定性进行了评估。研究结果表明:该增量学习模型在应对新增故障类型时表现优异,在轴向柱塞泵的复合故障识别中,平均准确率达到了92.35%,显著优于传统图神经网络在相同条件下的表现;同时,该模型在混合工况下的增量训练准确率达到了95%,展现出较强的适应性和鲁棒性。该方法能够有效应对不同的故障模式和工况条件,准确识别轴向柱塞泵的复合故障。 展开更多
关键词 轴向柱塞泵 故障诊断 增量学习 图神经网络图形样本聚合 K-最邻近法 图结构数据
在线阅读 下载PDF
Quantized dynamic output feedback control for networked control systems 被引量:1
11
作者 Chong Jiang Dexin Zou +1 位作者 Qingling Zhang Song Guo 《Journal of Systems Engineering and Electronics》 SCIE EI CSCD 2010年第6期1025-1032,共8页
The problem of the quantized dynamic output feedback controller design for networked control systems is mainly discussed. By using the quantized information of the system measurement output and the control input, a no... The problem of the quantized dynamic output feedback controller design for networked control systems is mainly discussed. By using the quantized information of the system measurement output and the control input, a novel networked control system model is described. This model includes many networkinduced features, such as multi-rate sampled-data, quantized signal, time-varying delay and packet dropout. By constructing suitable Lyapunov-Krasovskii functional, a less conservative stabilization criterion is established in terms of linear matrix inequalities. The quantized control strategy involves the updating values of the quantizer parameters μi(i = 1, 2)(μi take on countable sets of values which dependent on the information of the system measurement outputs and the control inputs). Furthermore, a numerical example is given to illustrate the effectiveness of the proposed method. 展开更多
关键词 networked control systems sampleD-data linear matrix inequalities quantized dynamic output feedback.
在线阅读 下载PDF
基于代价敏感学习的配电网故障线路分类算法 被引量:2
12
作者 张鑫 周伟 徐志宇 《实验室研究与探索》 CAS 北大核心 2024年第11期46-51,81,共7页
为了实现配电网故障线路辨识,以真实录波数据为驱动,从大数据分析角度提出一种配电网单相接地故障定位方法。首先,利用故障波形关联维数、零序电流时频故障测度值等构建多维故障特征向量,反映各种单相接地故障工况;其次,设计一种基于代... 为了实现配电网故障线路辨识,以真实录波数据为驱动,从大数据分析角度提出一种配电网单相接地故障定位方法。首先,利用故障波形关联维数、零序电流时频故障测度值等构建多维故障特征向量,反映各种单相接地故障工况;其次,设计一种基于代价敏感学习的接地故障分类器,解决非均衡数据集分类问题,并依托真实波形数据对算法中代价因子的选择进行优化;最后,形成一种基于代价敏感学习AdaCost算法的配电网单相接地故障定位方法。模拟电网实验结果表明,该方法能够有效提高故障线路识别准确率,而且不受故障类型、故障样本比例、中性点接地方式的影响,为配电网接地故障定位提供了一种解决方案。 展开更多
关键词 配电网 单相接地故障 代价敏感学习 非均衡数据集 故障定位
在线阅读 下载PDF
基于TimeGAN数据增强的复杂过程故障分类方法
13
作者 杨磊 何鹏举 丑幸幸 《浙江大学学报(工学版)》 EI CAS CSCD 北大核心 2024年第9期1768-1780,共13页
针对传统基于重构的故障分类方法在故障样本稀疏或失衡情况下效果不佳、故障子空间区分能力弱的问题,提出基于TimeGAN数据增强的复杂过程故障分类方法.针对小子样故障,使用TimeGAN对历史故障数据进行数据增强,生成与历史数据分布相似的... 针对传统基于重构的故障分类方法在故障样本稀疏或失衡情况下效果不佳、故障子空间区分能力弱的问题,提出基于TimeGAN数据增强的复杂过程故障分类方法.针对小子样故障,使用TimeGAN对历史故障数据进行数据增强,生成与历史数据分布相似的虚拟故障样本;采用马氏距离评估虚拟样本的质量,剔除不可信样本,构造平衡的故障样本集.将故障样本映射到高维核空间,并在核空间中提取故障子空间.设计故障分类策略并定义4种故障分类性能评估指标以定量衡量算法的分类性能.Tennessee Eastman应用结果表明,所提数据增强方法可以有效扩充故障样本,进而提高故障重构率.与WGAN-GP和SMOTE方法进行对比,发现基于TimeGAN数据增强的故障分类方法具有更好的分类性能. 展开更多
关键词 故障分类 样本不平衡 数据增强 故障子空间 时间序列生成对抗网络
在线阅读 下载PDF
基于图卷积神经网络的最短路径距离估计方法
14
作者 孟祥福 崔江燕 邓敏超 《智能系统学报》 CSCD 北大核心 2024年第6期1518-1527,共10页
路网最短路径距离估计问题的关键是提高估计准确度和减少模型训练时间。现有基于嵌入的最短路径距离估计方法要么模型的训练时间较长,要么通过牺牲估计精度来降低模型训练时间。针对以上问题,通过分析基于嵌入的最短路径距离估计方法,... 路网最短路径距离估计问题的关键是提高估计准确度和减少模型训练时间。现有基于嵌入的最短路径距离估计方法要么模型的训练时间较长,要么通过牺牲估计精度来降低模型训练时间。针对以上问题,通过分析基于嵌入的最短路径距离估计方法,提出路网最短路径距离估计编码器-解码器框架,归纳和整合这类方法的核心过程,并将核心过程分为嵌入方法、采样方案和模型训练3部分。在此基础上,提出一种基于图卷积网络的路网顶点嵌入方法(road graph convolutional networks and distance2vector,RGCNdist2vec),用于捕获路网的结构信息。在模型训练样本的采样方面,设计一种基于图逻辑分区的三阶段采样方法,能够选取少量优质样本用于模型训练。为验证模型及采样方案的有效性,在4个真实路网数据集上开展实验,并与现有相关模型进行对比,结果表明所提模型具有较高的估计准确性,并且模型训练时间降低为现有基线模型的1/4。 展开更多
关键词 最短路径距离计算 图神经网络 数据采样 表示学习 图卷积网络 图分区 深度学习 拓扑结构
在线阅读 下载PDF
基于双流生成对抗网络数据增强的风电机组智能故障诊断 被引量:4
15
作者 李东泽 齐咏生 +3 位作者 刘利强 马然 李永亭 刘思哲 《电力自动化设备》 EI CSCD 北大核心 2024年第11期94-102,共9页
针对实际工况下风电机组故障数据难以获取,现有数据增强方法对1维数据特征提取效果不佳的问题,提出一种基于双流生成对抗网络(DSGAN)的小样本智能故障诊断方法。设计了一种新的双流网络,通过深度特征提取流与时间特征提取流对风电机组... 针对实际工况下风电机组故障数据难以获取,现有数据增强方法对1维数据特征提取效果不佳的问题,提出一种基于双流生成对抗网络(DSGAN)的小样本智能故障诊断方法。设计了一种新的双流网络,通过深度特征提取流与时间特征提取流对风电机组故障数据进行深度与时间双特征提取。提出一种全局特征引导的自适应加权融合(GFG-AWF)模块对提取的双特征进行融合,并通过引入对抗生成思想,设计DSGAN完成小样本数据的增强。构建基于增强数据集辅助的双流诊断网络实现故障分类识别。利用轴承试验台数据与实际风电机组运行数据对所提方法进行了验证,最终诊断准确率达到98%,表明所提方法可以有效解决小样本的故障诊断问题。 展开更多
关键词 风电机组 故障诊断 生成对抗网络 小样本 数据增强
在线阅读 下载PDF
基于深度学习的高分遥感图像建筑物识别 被引量:2
16
作者 李成范 孟令奎 刘学锋 《应用科学学报》 CAS CSCD 北大核心 2024年第3期375-387,共13页
该文面向高分遥感图像建筑物深度学习检测与识别的具体需求,在归纳和分析现有深度学习与建筑物提取方法的基础上,重点探讨了高分遥感图像建筑物深度学习识别方法和深度学习识别系统,并探讨了未来可能的研究方向。所提方法将为高分遥感... 该文面向高分遥感图像建筑物深度学习检测与识别的具体需求,在归纳和分析现有深度学习与建筑物提取方法的基础上,重点探讨了高分遥感图像建筑物深度学习识别方法和深度学习识别系统,并探讨了未来可能的研究方向。所提方法将为高分遥感图像深度学习目标检测中样本库和遥感数据库的建设提供参考,为利用深度学习开展多尺度、多源高分遥感建筑物检测与识别提供支持。 展开更多
关键词 建筑物识别 高分遥感图像 卷积神经网络 样本集 数据集
在线阅读 下载PDF
一种基于半监督学习的网络异常流量检测方法 被引量:8
17
作者 钟昱 黄振南 +1 位作者 谢惠超 陈宁江 《广西大学学报(自然科学版)》 CAS 北大核心 2024年第3期563-574,共12页
针对网络流量数据存在标记样本获取困难、实际数据类别不平衡等问题,提出一种合成数据增强的半监督网络异常流量检测方法(SEASAND)。SEASAND利用无标记数据辅助模型学习,只需少量的有标签数据即可达到较高识别准确率,降低了训练成本。... 针对网络流量数据存在标记样本获取困难、实际数据类别不平衡等问题,提出一种合成数据增强的半监督网络异常流量检测方法(SEASAND)。SEASAND利用无标记数据辅助模型学习,只需少量的有标签数据即可达到较高识别准确率,降低了训练成本。考虑一致性正则和熵最小化原则,通过混合采样解决网络流量数据不平衡的问题,并采用混合样本算法对样本进行二次数据增强,提高了对无标记数据的利用效率。最后利用一维残差网络Resnet1D 18对数据增强后的数据集进行训练。SEASAND在KDDCup9910、UNSW-NB15、CICIDS2017数据集上进行仿真实验,结果表明,与相关算法对比,SEASAND在少样本、多分类问题上具有较好的性能,降低了对有标记样本量的需求。 展开更多
关键词 半监督学习 网络异常流量检测 混合采样 数据不平衡
在线阅读 下载PDF
基于Tea DCGAN网络和Fake Tea框架的茶鲜叶数据增强方法 被引量:1
18
作者 俞焘杰 陈建能 +3 位作者 彭伟杰 李亚涛 喻陈楠 武传宇 《农业工程学报》 CSCD 北大核心 2024年第23期274-282,共9页
当茶叶图片的原始数据数量不足时,深度学习模型泛化性不足导致对茶叶嫩梢的检测能力大幅度下降。为解决这一问题,该研究提出一种Tea DCGAN(tea deep convolution generative adversarial networks)的对抗生成网络及其数据增强方法。首先... 当茶叶图片的原始数据数量不足时,深度学习模型泛化性不足导致对茶叶嫩梢的检测能力大幅度下降。为解决这一问题,该研究提出一种Tea DCGAN(tea deep convolution generative adversarial networks)的对抗生成网络及其数据增强方法。首先,在DCGAN(deep convolution generative adversarial networks)网络的生成器和判别器中分别添加了64×64×64的网络层来优化模型对低维度特征感知与学习能力。同时,DCGAN中的LeakyReLU(leaky rectified linear unit)函数被更加线性可控的ELU(exponential linear units)函数替换,提升模型训练稳定性与训练精度。其次,基于Tea DCGAN网络构建Fake Tea数据增强算法框架,对已有数据集的真实茶叶嫩梢分布进行数据分析,得到分布规律。根据分布规律将Tea DCGAN网络生成的样本图像分布进已有的露天茶树图像中,并自动形成深度学习数据集。最后,对该研究提出的数据增强方法进行对抗生成网络消融试验、罕见茶种对照试验以及不同量级下的多种数据增强方法对比试验。消融试验结果显示,Tea DCGAN在FID(frechet inception distance)指标上表现最优,特别是在100000训练轮次时,紫鹃茶种的FID值从322.10降至265.63,龙井43茶种的FID值从396.38降至323.09,提升了生成图像的质量。在多个检测模型的多种数据增强方法试验中,该研究Fake Tea方法在不同检测模型中均优于其他方法。其中,Faster RCNN模型在25张龙井43和25张紫鹃茶种形成的数据集上mAP(平均精度,Mean Average Precision)分别达到42.71%和38.46%。随着数据集规模的增加,所有方法的性能均有所提升,但Fake Tea方法在所有规模的数据集上均保持最高mAP值,尤其是在原始数据为200张时,mAP值达到89.41%,可用于智能化茶叶采摘。研究结果证明了Tea DCGAN和Fake Tea数据增强方法在茶叶图像生成和目标检测任务中的有效性和优越性。该研究提出的Tea DCGAN和Fake Tea数据增强方法可有效缓解数据获取困难、样本不足等问题,有效提升小样本下的茶叶嫩梢目标检测精度。 展开更多
关键词 机器视觉 茶叶嫩梢 图像生成 小样本数据集 对抗生成网络 数据增强
在线阅读 下载PDF
一种小样本数据驱动的雷达复合干扰轻量化感知网络 被引量:2
19
作者 郎彬 王欢 宫健 《北京航空航天大学学报》 EI CAS CSCD 北大核心 2024年第3期1005-1014,共10页
基于深度学习的雷达干扰感知技术能精确感知各类雷达干扰类型,但需预先构建大规模且完备的训练样本,数据集构建工作量大、难度高,同时存在网络模型参数量较大、计算复杂度高的问题,导致在实际平台中难以应用。针对此问题,提出一种小样... 基于深度学习的雷达干扰感知技术能精确感知各类雷达干扰类型,但需预先构建大规模且完备的训练样本,数据集构建工作量大、难度高,同时存在网络模型参数量较大、计算复杂度高的问题,导致在实际平台中难以应用。针对此问题,提出一种小样本数据驱动的雷达复合干扰轻量化感知网络,结合计算机视觉领域的“目标检测”思想建立干扰感知网络,利用雷达干扰时频分布数据提取多尺度特征图,预置锚框进行回归与分类,使用分组卷积与Ghost卷积对大参数量、高计算量的网络结构进行轻量化改进。实验结果表明:只需小规模的多种单一干扰模式样本,即可实现对单一干扰模式、两两复合模式及3类复合模式的灵活感知,在低干噪比条件下保持较高感知性能的同时大幅压缩模型的参数量与运算量。 展开更多
关键词 雷达干扰感知 小样本数据驱动 复合干扰 深度学习 轻量级网络
在线阅读 下载PDF
不平衡数据集下基于多粒度近邻图的智能电表故障分类方法 被引量:1
20
作者 黄子健 高欣 +3 位作者 李保丰 翟峰 秦煜 叶平 《电网技术》 EI CSCD 北大核心 2024年第3期1291-1300,共10页
智能电表故障的准确预测对实现计量设备精准主动运维、保障电网稳定运行具有重要意义。电表各故障类型样本的出现频次不同,且不同故障类型样本在高维特征空间中的分布存在重叠,这极大增加了故障预测的难度。现有不平衡分类方法通过构建... 智能电表故障的准确预测对实现计量设备精准主动运维、保障电网稳定运行具有重要意义。电表各故障类型样本的出现频次不同,且不同故障类型样本在高维特征空间中的分布存在重叠,这极大增加了故障预测的难度。现有不平衡分类方法通过构建单一样本信息与其对应类别标签的映射关系来划分样本类型,导致对具有相似表征信息的重叠区样本难以准确判别,降低了整体分类精度。该文提出一种基于多粒度近邻图的智能电表故障分类方法。首先,选择原始数据集中样本作为目标样本,以目标样本及其近邻样本作为节点、目标样本与其近邻样本连线作为边构建近邻图。根据选择的近邻样本数量不同构建多粒度近邻图,实现目标样本的信息扩充和训练样本的数量扩增,更有利于模型稳定训练。构建编码器挖掘近邻图节点特征,利用图注意力机制,根据近邻图节点编码特征和节点邻接关系将近邻样本信息自适应地聚合到目标样本,实现对相似样本差异的有效挖掘。对于给定测试样本,通过集成测试样本多粒度近邻图的分类结果,得到更精准、更鲁棒的智能电表故障预测结果。在20个KEEL(knowledge extraction based on evolutionary learning)和UCI(UC Irvine machine learning repository)不平衡分类公开数据集和智能电表实际故障数据集上的大量实验结果表明,与17种典型方法相比,该文所提算法在处理智能电表故障分类问题上具有显著优势。 展开更多
关键词 智能电表故障分类 不平衡数据 多粒度近邻图 图神经网络 样本信息聚合
在线阅读 下载PDF
上一页 1 2 10 下一页 到第
使用帮助 返回顶部