检索结果-内蒙古大学图书馆

中国机械工程 2025年第3期36卷 546-557页

作者：焦华超孙文磊王宏伟新疆大学智能制造现代产业学院乌鲁木齐830017

利用数据生成方法生成时域特征和频域特征与轴承故障真实信号一致的高质量数据,构建平衡数据集,对数据不平衡情况下建立高效的轴承故障诊断模型具有重要意义。针对现有数据生成方法仅关注时域或频域单一特征的局限,提出了类小波辅助分... 详细信息

利用数据生成方法生成时域特征和频域特征与轴承故障真实信号一致的高质量数据,构建平衡数据集,对数据不平衡情况下建立高效的轴承故障诊断模型具有重要意义。针对现有数据生成方法仅关注时域或频域单一特征的局限,提出了类小波辅助分类生成对抗网络。基于小波变换原理,使用多层神经网络构建类小波变换(WLT)网络,模拟小波变换及逆变换,建立时域与频域信号的映射关系;将WLT网络嵌入辅助分类生成对抗网络(ACGAN)模型中,作为模型生成器的主体;构建两个不同功能的判别器,使得改进的ACGAN在一次训练中能同时学到真实轴承振动信号的时域和频域特征信息。试验结果表明,WLT-ACGAN模型生成的轴承振动信号具有与真实轴承振动信号一致的时域特征和频域特征,数据不平衡时,利用生成信号扩增的平衡数据集构建的故障诊断模型具有较高的准确率。

关键词：辅助分类生成对抗网络类小波变换轴承故障诊断数据生成

来源：评论

学校读者我要写书评

暂无评论

结合序列关联图与GAN的高可用时序数据生成方法

引用

信息安全研究 2025年第4期11卷 351-357页

作者：万韵伟程瑶门元昊北京理工大学信息与电子学院北京100081

现实世界中获取长时间序列数据面临诸多挑战,严重制约了网络空间安全中的态势感知、威胁分析等应用发展.深度学习驱动的数据生成方法可以有效保护原始数据隐私,其中确保生成数据的高可用性和多样性至关重要.然而,现有方法采用随机拼接... 详细信息

现实世界中获取长时间序列数据面临诸多挑战,严重制约了网络空间安全中的态势感知、威胁分析等应用发展.深度学习驱动的数据生成方法可以有效保护原始数据隐私,其中确保生成数据的高可用性和多样性至关重要.然而,现有方法采用随机拼接短序列构建模型的训练数据,无法保证生成数据分布符合预期,影响生成数据的可用性.针对上述问题,提出一种结合序列关联图与生成对抗网络的高可用时序数据生成方法,通过构建序列关联图和概率权重生成对抗网络,精准拟合原始数据分布特征.在多个真实数据集上的实验结果表明,该方法能够基于较短序列长度的原始数据,生成具有高可用性和多样性的长时间序列数据,显示出其在实际应用中的巨大潜力.

关键词：数据生成数据安全时序数据短序列生成对抗网络

来源：评论

学校读者我要写书评

暂无评论

基于CDoubleGAN的电网时序暂态数据生成

引用

计算机工程与设计 2025年第1期46卷 159-165页

作者：张启飞陈润泽张亶叶瑞涛梁秀波浙江大学软件学院浙江宁波315103

为解决电力系统人工智能应用中样本数量不足的问题,对时序数据生成方法进行研究,提出一种CDoubleGAN模型。结合编解码器和两对生成器-鉴别器,采用ARFNN替代RNN解决Lipschitz连续性问题,实现使用Wasserstein距离对目标函数的稳定优化。... 详细信息

为解决电力系统人工智能应用中样本数量不足的问题,对时序数据生成方法进行研究,提出一种CDoubleGAN模型。结合编解码器和两对生成器-鉴别器,采用ARFNN替代RNN解决Lipschitz连续性问题,实现使用Wasserstein距离对目标函数的稳定优化。将数据类别标签融入模型中,生成特定类别的样本。在IEEE-39系统的实验结果表明,CDoubleGAN在类别生成上的准确度超过98%,与TimeGAN相比,生成的数据与原数据具有更高的相似度,更好保留了数据原始特性以应用于数据生产。

关键词：人工智能深度学习电力系统暂态稳定数据生成编解码器生成对抗网络时序数据

来源：评论

学校读者我要写书评

暂无评论

DEVAE-GAN:多级认知工作负荷水平fNIRS数据生成模型

引用

电子科技 2025年第4期38卷 31-38,58页

作者：陈利马壮尹钟上海理工大学光电信息与计算机工程学院上海200093

深度学习方法在fNIRS(functional Near-Infrared Spectroscopy)的应用已成为脑机接口领域的研究热点,但较少的可用数据限制了深度学习模型的性能。文中基于DEVAE-GAN(Dual-Encoder-Variational Autoencoder-Generative Adversarial Network)提出适用于fNIRS原始信号生成的方法。将预处理好的fNIRS信号转换为时间和空间表示形式,输入到双编码器中提取时间和空间信息,拼接两条信息并送入解码器中生成样本。为了验证其有效性,在心理负荷任务的公开数据集上进行实验,将不同数量的生成样本扩充到训练数据集,并使用增强的数据集来训练深度神经网络。与多个基线生成模型的对比表明,所提方法生成的样本质量最高,使用该方法后所有被试的平均分类准确率为95.86%,与原始数据集相比提升了0.91%。实验结果表明,所提方法可以有效学习心理负荷任务fNIRS原始数据的分布,生成高质量的样本,提升深度学习模型的性能。

关键词： fNIRS DEVAE-GAN 数据生成心理负荷任务深度学习生成模型脑机接口深度神经网络

来源：评论

学校读者我要写书评

暂无评论

源代码缺陷检测数据生成及标注方法

引用

清华大学学报（自然科学版） 2021年第11期61卷 1240-1245页

作者：管志斌王晓萌辛伟王嘉捷中国信息安全测评中心北京100085

在已有的基于深度学习的源代码缺陷检测方法中,所使用的训练数据和测试数据大多来源于仅供学术研究的测试源码,无法为深度学习模型的训练提供足够的数据支撑。因此,该文提出了一种源代码缺陷检测数据生成及标注方法。该方法在提取源代... 详细信息

在已有的基于深度学习的源代码缺陷检测方法中,所使用的训练数据和测试数据大多来源于仅供学术研究的测试源码,无法为深度学习模型的训练提供足够的数据支撑。因此,该文提出了一种源代码缺陷检测数据生成及标注方法。该方法在提取源代码控制流关系的基础上,应用已训练的深度学习模型和商业工具来完成源代码切片数据的标注。使用公开数据集SARD、NVD及开源软件Ffmpeg等进行验证,结果表明通过该方法能够生成直接用于深度学习的源代码缺陷检测数据集,为基于深度学习的源代码缺陷检测方法提供了数据支撑。

关键词：源代码缺陷检测控制流数据生成样本标注深度学习

来源：评论

学校读者我要写书评

暂无评论

一种位置服务测试数据生成技术研究

引用

计算机学报 2016年第11期39卷 2161-2174页

作者：侯可佳黄军白晓颖周立柱清华大学计算机科学与技术系北京100084 清华大学信息科学与技术国家实验室北京100084

随着移动互联网的高速发展,移动服务越来越成为人们生活、工作中不可或缺的一部分,绝大部分移动服务都要以用户的位置信息为基础,位置服务(Location-Based Services,LBS)则通过调用GPS等服务在确定用户位置的基础上,向用户提供导航、服... 详细信息

随着移动互联网的高速发展,移动服务越来越成为人们生活、工作中不可或缺的一部分,绝大部分移动服务都要以用户的位置信息为基础,位置服务(Location-Based Services,LBS)则通过调用GPS等服务在确定用户位置的基础上,向用户提供导航、服务推荐等功能.位置服务的基础性使得其正确性和完整性至关重要,同时其开放性和复杂性对测试提出了更高的要求.文中以反地理编码服务为例,探讨了位置空间测试数据的生成方法.基于模拟退火算法(Simulated Annealing,SA)的优化过程,提出了两种适应度函数定义方法,一种是基于有效点密集区假设,以提高位置空间覆盖率为优化目标;另一种是基于LBS故障模式假设,以提高潜在故障的检测能力为优化目标.研究引入了贝叶斯分类器,将预测值作为探索点的能量值,指导搜索过程.研究选取了实际应用的位置服务平台进行了实验验证,实验表明,与简单随机算法相比,该方法在可容忍的时间代价下,可以有效提高测试效率和错误检测能力.

关键词：移动平台服务位置服务朴素贝叶斯理论数据生成模拟退火算法

来源：评论

学校读者我要写书评

暂无评论

基于多目标数据生成的昂贵多目标进化算法

引用

计算机学报 2023年第5期46卷 896-908页

作者：黎建宇詹志辉华南理工大学计算机科学与工程学院广州510006

昂贵多目标优化问题是一类需要同时优化多个相互冲突且评估计算成本十分昂贵的目标的复杂优化问题,需要算法在计算资源受限的情况下尽可能找到目标值好且多样性好的一系列非支配解.进化计算方法是求解多目标优化问题的有效手段,但在求... 详细信息

昂贵多目标优化问题是一类需要同时优化多个相互冲突且评估计算成本十分昂贵的目标的复杂优化问题,需要算法在计算资源受限的情况下尽可能找到目标值好且多样性好的一系列非支配解.进化计算方法是求解多目标优化问题的有效手段,但在求解昂贵多目标优化问题时仍面临多样性和收敛性这两个方面的挑战,即难以找到多样性好且收敛到全局最优的一系列解.针对上述挑战,本文提出了新型的基于多目标数据生成的昂贵多目标进化算法.本文的贡献点和创新点主要有以下三个方面.首先,本文提出并证明了非支配解生成定理,并基于此提出了多目标数据生成方法,以更有效地搜索到更多非支配解,提高算法的多样性.其次,本文提出了多种群多代理框架,使用多个代理模型替代评估成本昂贵的真实目标函数,并协同演化多个种群对多个代理模型进行协同求解,从而提高算法的收敛性.再次,基于上述提出的方法和框架,本文提出了基于多目标数据生成的昂贵多目标进化算法,以对昂贵多目标优化问题进行求解.为了验证算法性能,本文在两个著名测试集的共16个问题上进行了丰富的大量测试实验,并与现有的五个前沿算法进行对比.实验结果表明,本文提出的算法能在大部分问题上取得比所有对比算法都更好的性能,具有很好的有效性和高效性.

关键词：昂贵优化多目标优化进化计算数据生成协同演化

来源：评论

学校读者我要写书评

暂无评论

基于生成对抗网络的禽蛋图像数据生成研究

引用

农业机械学报 2021年第2期52卷 236-245页

作者：李庆旭王巧华马美湖华中农业大学工学院武汉430070 农业农村部长江中下游农业装备重点实验室武汉430070 国家蛋品加工技术研发分中心武汉430070

在进行禽蛋无损检测研究时,需要花费大量的人力和物力采集禽蛋图像数据,为解决该问题,设计了一种基于深度卷积生成对抗网络(Deep convolutional generative adversarial networks,DCGAN)的改进禽蛋图像数据生成网络。该网络分为生成器... 详细信息

在进行禽蛋无损检测研究时,需要花费大量的人力和物力采集禽蛋图像数据,为解决该问题,设计了一种基于深度卷积生成对抗网络(Deep convolutional generative adversarial networks,DCGAN)的改进禽蛋图像数据生成网络。该网络分为生成器与判别器,生成器用于禽蛋图像数据生成,判别器对生成的禽蛋图像进行真实性判断,两者相互对抗最终生成高质量的禽蛋图像数据。为了提高生成的禽蛋图像质量,使用残差网络构建生成器和判别器,引入Wasserstein距离和加梯度惩罚的损失函数,分别在透射和反射情况下对禽蛋图像进行生成研究。该方法有效地解决了大量禽蛋图像数据的采集问题,为后期禽蛋图像识别与检测提供了数据基础,同时也为后续禽蛋数据库构建提供了技术支持。

关键词：禽蛋图像数据生成生成对抗网络 Wasserstein距离残差网络

来源：评论

学校读者我要写书评

暂无评论

基于多阶段数据生成的自循环文本智能识别

引用

模式识别与人工智能 2020年第5期33卷 468-477页

作者：马新强刘丽娜李雪维顾晔黄羿刘勇贵州大学计算机科学与技术学院贵阳550025 浙江大学智能系统与控制研究所杭州310027 重庆文理学院大数据智能计算与可视化研究所重庆402160 国网浙江省电力有限公司物资分公司杭州310000

在复杂多样场景下,极少存在同时对英文和中文都具有较优识别效果的大数据标注方法.因此文中提出针对复杂多样文本识别场景的数据生成和多阶段自循环训练算法.按照定义的生成数据参数随机生成文本数据,免去数据标注过程.在卷积循环神经... 详细信息

在复杂多样场景下,极少存在同时对英文和中文都具有较优识别效果的大数据标注方法.因此文中提出针对复杂多样文本识别场景的数据生成和多阶段自循环训练算法.按照定义的生成数据参数随机生成文本数据,免去数据标注过程.在卷积循环神经网络的基础上,进行多阶段自循环训练,在循环过程中通过控制数据生成策略不断提升样本的识别精度.实验表明,文中算法在多个公开英文数据集及中文特定的复杂文本场景下都具有良好的识别性能.

关键词：大数据标注数据生成文本识别卷积循环神经网络(CRNN)

来源：评论

学校读者我要写书评

暂无评论

基于数据生成的类别均衡联邦学习

引用

计算机学报 2023年第3期46卷 609-625页

作者：李志鹏国雍陈耀佛王耀威曾炜谭明奎华南理工大学软件学院广州510006 鹏城实验室人工智能研究中心广东深圳518054 北京大学信息科学技术学院北京100871

手机、可穿戴设备等终端设备每天产生海量数据,但这些数据往往涉及敏感隐私而不能直接公开并使用.为解决隐私保护下的机器学习问题,联邦学习应运而生,旨在通过构建协同训练机制,在不共享客户端数据条件下,训练高性能全局模型.然而,在实... 详细信息

手机、可穿戴设备等终端设备每天产生海量数据,但这些数据往往涉及敏感隐私而不能直接公开并使用.为解决隐私保护下的机器学习问题,联邦学习应运而生,旨在通过构建协同训练机制,在不共享客户端数据条件下,训练高性能全局模型.然而,在实际应用中,现有联邦学习机制面临两大不足:(1)全局模型需考虑多个客户端的数据,但各客户端往往仅包含部分类别数据且类别间数据量严重不均衡,使得全局模型难以训练;(2)各客户端之间的数据分布往往存在较大差异,导致各客户端模型往往差异较大,使得传统通过模型参数加权平均以获得全局模型的方法难以奏效.为降低客户端类别不均衡和数据分布差异的影响,本文提出一种基于数据生成的类别均衡联邦学习(Class-Balanced Federated Learning,CBFL)方法.CBFL旨在通过数据生成技术,针对各客户端构造符合全局模型学习的类别均衡数据集.为此,CBFL设计了一个包含类别均衡采样器和数据生成器的类别分布均衡器.其中,类别均衡采样器对客户端数据量不足的类别以较高概率进行采样.然后,数据生成器则根据所采样的类别生成相应的虚拟数据以均衡客户端数据的类别分布并用于后续的模型训练.为验证所提出方法的有效性,本文在四个标准数据集上进行了大量实验.实验表明,本文方法可大幅提升联邦学习性能:如在CIFAR-100数据集上,CBFL训练的ResNet20模型与现有方法相比,分类准确率提高了5.82%.

关键词：联邦学习数据生成类别分布类别不均衡隐私保护

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：