针对基于知识蒸馏的工业图像异常检测中,预训练网络在迁移到工业图像领域时因领域差异和数据分布的不同而导致获取的特征存在偏差问题,提出了一种特征自适应师生模型。该模型利用特征自适应器来调整教师网络提取的预训练特征,实现跨域...针对基于知识蒸馏的工业图像异常检测中,预训练网络在迁移到工业图像领域时因领域差异和数据分布的不同而导致获取的特征存在偏差问题,提出了一种特征自适应师生模型。该模型利用特征自适应器来调整教师网络提取的预训练特征,实现跨域特征转换和减少领域偏差。为了避免特征自适应器过度调整预训练特征,导致与原始预训练特征差异过大而降低泛化性能,提出监督损失来约束调整后的特征。此外,进一步为了提高模型对异常特征的表征和判别能力,设计了一个新的学生网络和提出了一种对抗损失来拉远教师和学生网络中异常特征之间的差异,拉近两者正常特征之间的差异。在多个工业数据集MVTec AD、BTAD、VisA和MVTec 3D AD上验证了该模型的有效性。展开更多
联邦学习作为解决数据隔离问题的新兴范式,能够在不需要客户端上传原始数据的情况下训练全局模型,有效保护用户隐私。由于客户端数量众多但通信资源有限,只能选择部分客户端参与模型聚合。然而联邦学习系统存在设备异构和数据异质等挑战...联邦学习作为解决数据隔离问题的新兴范式,能够在不需要客户端上传原始数据的情况下训练全局模型,有效保护用户隐私。由于客户端数量众多但通信资源有限,只能选择部分客户端参与模型聚合。然而联邦学习系统存在设备异构和数据异质等挑战,简单的客户端选择策略无法考虑环境的动态特性,会拖慢模型的收敛速度,降低模型性能。考虑到客户端状态的时变,提出了全新的客户端可用性评估指标,建立了多重约束下的联邦学习客户端选择模型,建模为损失最小化问题;将优化问题转化为马尔可夫决策过程,提出了一种基于深度强化学习的联邦学习客户端自适应选择(Adaptive Selection for Clients in Federated Learning based on Deep Reinforcement Learning,ASC-DRL)算法,综合考虑通信延迟、资源消耗及客户端可用性,通过代理服务器与环境之间的持续交互最大化奖励函数,得到最优客户端选择方案。实验结果表明,提出的ASC-DRL算法相比于传统联邦学习算法,在模型精度和训练损失方面有着最高89.2%和99.8%的效果提升,能够有效适应动态环境变化,提升联邦学习整体性能和稳定性。展开更多
文摘针对基于知识蒸馏的工业图像异常检测中,预训练网络在迁移到工业图像领域时因领域差异和数据分布的不同而导致获取的特征存在偏差问题,提出了一种特征自适应师生模型。该模型利用特征自适应器来调整教师网络提取的预训练特征,实现跨域特征转换和减少领域偏差。为了避免特征自适应器过度调整预训练特征,导致与原始预训练特征差异过大而降低泛化性能,提出监督损失来约束调整后的特征。此外,进一步为了提高模型对异常特征的表征和判别能力,设计了一个新的学生网络和提出了一种对抗损失来拉远教师和学生网络中异常特征之间的差异,拉近两者正常特征之间的差异。在多个工业数据集MVTec AD、BTAD、VisA和MVTec 3D AD上验证了该模型的有效性。
文摘虚拟同步机(virtual synchronous generator,VSG)控制缓解了新型电力系统低惯量弱阻尼特性,但也引入了功角振荡,导致功角稳定性问题。已有研究从控制参数自适应以及控制环重构角度改进VSG控制,但存在设计困难、物理意义不明确等问题。因此,该文首先基于等面积定则(equal area criterion,EAC),利用虚拟阻抗,提出“功角能量”快速衰减的改进控制思路,从图形解法解释了底层物理意义,并设计算法求解控制各阶段虚拟阻抗大小。在此基础上,分析改进控制思路可能存在的问题。其次,从补偿“阻尼功”缺失和提高控制适用性角度,构建基于虚拟阻抗频率自适应的控制策略,以实现不同工况下功角振荡的优化抑制。最后,通过电磁暂态仿真验证前述分析的正确性,并展示所提控制策略对功角振荡抑制以及功角稳定性提高的有效性。
文摘联邦学习作为解决数据隔离问题的新兴范式,能够在不需要客户端上传原始数据的情况下训练全局模型,有效保护用户隐私。由于客户端数量众多但通信资源有限,只能选择部分客户端参与模型聚合。然而联邦学习系统存在设备异构和数据异质等挑战,简单的客户端选择策略无法考虑环境的动态特性,会拖慢模型的收敛速度,降低模型性能。考虑到客户端状态的时变,提出了全新的客户端可用性评估指标,建立了多重约束下的联邦学习客户端选择模型,建模为损失最小化问题;将优化问题转化为马尔可夫决策过程,提出了一种基于深度强化学习的联邦学习客户端自适应选择(Adaptive Selection for Clients in Federated Learning based on Deep Reinforcement Learning,ASC-DRL)算法,综合考虑通信延迟、资源消耗及客户端可用性,通过代理服务器与环境之间的持续交互最大化奖励函数,得到最优客户端选择方案。实验结果表明,提出的ASC-DRL算法相比于传统联邦学习算法,在模型精度和训练损失方面有着最高89.2%和99.8%的效果提升,能够有效适应动态环境变化,提升联邦学习整体性能和稳定性。
