针对部分场景下标签较少、样本不均衡的时序数据,为了更好的捕捉序列之间的逐步依赖关系,本文一方面使用具有因果关系属性的时域卷积网络构建生成对抗网络,另一方面使用长短期记忆网络构建嵌入网络和复现网络,以实现模型同时处理短期依...针对部分场景下标签较少、样本不均衡的时序数据,为了更好的捕捉序列之间的逐步依赖关系,本文一方面使用具有因果关系属性的时域卷积网络构建生成对抗网络,另一方面使用长短期记忆网络构建嵌入网络和复现网络,以实现模型同时处理短期依存项和长期依存项,从而提出一种基于时域卷积网络和长短期记忆网络的时间序列生成对抗网络(A Time-series Generative Adversarial Network based on Temporal convolutional network and Long-short term memory network, TL-TimeGAN)。采用覆盖性、有用性和相似度检验的综合分析方法作为合成数据质量的评价指标,进一步全面地评价合成数据的覆盖性、预测程度和相似性。最终,基于以太坊欺诈检测数据集,使用Tabnet网络对扩增数据进行异常检测并获得局部特征重要性以及全局特征重要性,以增强扩增数据应用于实际工作的实践指导价值。展开更多
非侵入式负荷监测(non-intrusive load monitoring,NILM)是一种无需进入每个用电器内部系统,仅在用户总线入口处安装监测设备的技术.在开展NILM技术研究时,往往需要收集大规模的用户负荷数据来证明所提出方法的普适性,此需求不可避免地...非侵入式负荷监测(non-intrusive load monitoring,NILM)是一种无需进入每个用电器内部系统,仅在用户总线入口处安装监测设备的技术.在开展NILM技术研究时,往往需要收集大规模的用户负荷数据来证明所提出方法的普适性,此需求不可避免地带来了繁重的数据收集与整理负担.为克服该挑战,设计了一种结合周期信号频率不变变换(frequency invariant transformation for periodic signals,FIT-PS)原理与时间序列生成对抗网络(time series generative adversarial networks,TimeGAN)的混合模型,记为FIT-PSTimeGAN.针对全球家庭与工业瞬态能量数据集(worldwide household and industry transient energy dataset,WHITED)中的空调、微波炉、吸尘器、冰箱和热水壶5种电器,运用FIT-PS对负荷数据集进行切割和拼接,构建TimeGAN不同状态下的训练集和测试集.评估测试集的效果发现,生成的波形数据与真实数据表现出高度一致性.进一步采用FIT-PS对训练得到的生成数据进行截取和拼接,生成满足测试需求的完整的单负荷波形和多负荷波形.对这些生成的波形与相同状态下的真实数据进行对比,结果显示两者吻合度很高.与自回归模型和生成对抗网络(generative adversarial network,GAN)模型相比,FIT-PS-TimeGAN模型在生成数据的性能方面表现更优.研究结果表明,FIT-PS-TimeGAN混合模型能够有效生成符合标准电器运行规律的波形和场景数据.展开更多
文摘针对部分场景下标签较少、样本不均衡的时序数据,为了更好的捕捉序列之间的逐步依赖关系,本文一方面使用具有因果关系属性的时域卷积网络构建生成对抗网络,另一方面使用长短期记忆网络构建嵌入网络和复现网络,以实现模型同时处理短期依存项和长期依存项,从而提出一种基于时域卷积网络和长短期记忆网络的时间序列生成对抗网络(A Time-series Generative Adversarial Network based on Temporal convolutional network and Long-short term memory network, TL-TimeGAN)。采用覆盖性、有用性和相似度检验的综合分析方法作为合成数据质量的评价指标,进一步全面地评价合成数据的覆盖性、预测程度和相似性。最终,基于以太坊欺诈检测数据集,使用Tabnet网络对扩增数据进行异常检测并获得局部特征重要性以及全局特征重要性,以增强扩增数据应用于实际工作的实践指导价值。
文摘非侵入式负荷监测(non-intrusive load monitoring,NILM)是一种无需进入每个用电器内部系统,仅在用户总线入口处安装监测设备的技术.在开展NILM技术研究时,往往需要收集大规模的用户负荷数据来证明所提出方法的普适性,此需求不可避免地带来了繁重的数据收集与整理负担.为克服该挑战,设计了一种结合周期信号频率不变变换(frequency invariant transformation for periodic signals,FIT-PS)原理与时间序列生成对抗网络(time series generative adversarial networks,TimeGAN)的混合模型,记为FIT-PSTimeGAN.针对全球家庭与工业瞬态能量数据集(worldwide household and industry transient energy dataset,WHITED)中的空调、微波炉、吸尘器、冰箱和热水壶5种电器,运用FIT-PS对负荷数据集进行切割和拼接,构建TimeGAN不同状态下的训练集和测试集.评估测试集的效果发现,生成的波形数据与真实数据表现出高度一致性.进一步采用FIT-PS对训练得到的生成数据进行截取和拼接,生成满足测试需求的完整的单负荷波形和多负荷波形.对这些生成的波形与相同状态下的真实数据进行对比,结果显示两者吻合度很高.与自回归模型和生成对抗网络(generative adversarial network,GAN)模型相比,FIT-PS-TimeGAN模型在生成数据的性能方面表现更优.研究结果表明,FIT-PS-TimeGAN混合模型能够有效生成符合标准电器运行规律的波形和场景数据.
文摘工作在复杂环境下的多元退化设备面临失效数据少、多源信息融合准确度低和监督学习数据不平衡等问题,对此本文提出一种基于时间序列生成对抗网络(Time-series Generative Adversarial Networks,TimeGAN)与单分类支持向量机(One-Class Support Vector Machine,OCSVM)组合模型的小子样数据增广方法.方法引入了TimeGAN模型拟合真实数据时间序列相关性,从而生成新的多元退化设备数据.本文提出了一种基于最大均值差异改进方法的可信度判据,避免强相关特征对生成数据质量评价的影响,通过使用T-分布随机邻近嵌入(T-distributed Stochastic Neighbor Embedding,T-SNE)和全局最大均值差异(Global Maximum Mean Discrepancy,GMMD)的组合方法,定性定量地评价生成数据的质量水平.基于训练后的OCSVM模型,对生成数据进行异常检测与剔除,进一步提高生成数据的质量.以航空发动机数据集C-MAPSS为例进行方法验证分析,通过与其他数据增强模型对比验证了所提方法的可行性和有效性.
