融合多尺度特征的小样本字体生成

通过模型MS-Font设计一种多尺度生成器(multiscale generator,MG),用于提取文字不同尺度结构信息特征,并将浅层信息和深层信息进行多尺度特征融合,构建不同尺度特征图之间的联系,以增强字体内容与风格信息的有效表达,提高生成网络的字体重构能力。在给定数据集上进行大量实验,结果表明模型MS-Font结果均优于对比算法,在FUNIT模型基础上,LPIPS提高0.007,SSIM提高0.12,ACC(S)提升5.2,ACC(C)提升4.0,验证了提出模型MS-Font的有效性。

面向电力缺陷场景的小样本图像生成方法

由于电力缺陷数据稀缺,目前大多数缺陷检测方法都无法有效地对电力缺陷情况进行准确的检测。为此,使用小样本图像生成方法,基于改进的LoFGAN(局部融合生成对抗网络),设计基于上下文信息的小样本图像生成器,提高缺陷检测网络对细节特征的提取能力;引入基于LC-散度的正则化损失来优化图像生成模型在有限数据集上的训练效果。实验表明,小样本图像生成方法能够为电力场景缺陷情况生成有效且多样的缺陷数据,所提模型能够有效解决电力缺陷场景数据稀缺的问题。

基于元学习自适应的小样本语音合成

在小样本条件下的语音合成(TTS)要求在仅有少量样本的情况下合成与原说话人相似的语音,然而现有的小样本语音合成面临如下问题:如何快速适配新说话人,并且在保证语音质量的情况下提高生成语音与说话人的相似性。现有模型在适配新说话人的过程中,很少考虑到在不同适配阶段模型特征的变化规律,导致生成语音不能在保证语音质量的情况下快速提升语音相似性。为了解决上述问题,提出一种使用元学习指导模型适配新说话人的方法,模型中通过元特征模块对适配过程进行指导,在适配新说话人过程中提升语音相似度的同时保证生成语音质量;并通过步数编码器区分不同的适配阶段,以提升模型适配新说话人的速度。在Libri-TTS与VCTK数据集上通过主观与客观评价指标,在不同的适配步数下对现有快速适配新说话人的方法进行了比较,实验结果表明所提方法动态时间规整的梅尔倒谱失真(DTW-MCD)分别为7.4502与6.5243,在合成语音的相似度上优于其他元学习方法,并且能够更快适配新的说话人。

寒潮天气小样本条件下的短期风电功率组合预测

寒潮作为一种典型气象灾害,其对风电以及以风电主体的新型电力系统的安全运行带来了极大挑战,而针对性的提供准确的风电功率预测将是有效的应对措施。为此,该文提出一种寒潮天气小样本条件下的短期风电功率组合预测方法。首先定义寒潮天气事件并分析风电出力特点。针对寒潮天气下样本数据稀缺而难以建模的问题,采用TimeGAN算法来丰富气象和功率样本。然后,分别基于XGBoost和Transformer算法建立风电功率基准值和损失值预测模型,以量化表征寒潮天气下的理论出力和功率缺额。另外,结合风机保护控制参数,提出一种基于注意力机制的Seq2Seq二分类模型来预判功率损失是否发生,通过提取风电功率损失时段进行针对性组合预测。最后,分别通过以大风、强降雨、大风与强降雨相结合为代表气象的寒潮天气事件进行测试,相比于常规预测模式,该文方法在寒潮天气下表现出良好的预测性能。