适合地图数据库应用的可扩充数据模型研究

数据库是地理信息系统（GIS）的基础。复杂的GIS应用要求它对用户定义的数据类型和操作具有扩充能力。该文针对用于GIS的可扩充数据模型存在的问题。构造了一个适合地图数据库应用的可扩充数据模型。它以嵌套关系模型为基础．引入高阶算子定义操作。这些算子不但增强了代数操作的能力，而且利用它们能方便地扩充用户定义的几何操作、地图量真和几何变换。该模型具有较强的扩充能力，可以作为设计可扩充地图数据库系统的基础。

面向空间数据库引擎的扩充数据模型及其操纵语言GSQL

面向空间数据库引擎的扩充数据模型将点、线、面等几何数据类型作为系统的基本数据类型,其操纵语言GSQL在标准SQL语言基础上支持几何数据和属性数据的定义、检索、存储和管理。关系数据库元数据表提供了对象—关系模型转换接口。

基于生成对抗网络的半航空瞬变电磁噪声数据扩充方法

半航空瞬变电磁噪声数据形式复杂,获取成本高、数据量稀缺,难以通过传统的扩充方法进行数据扩充,极大地影响了后续降噪工作的开展。针对这个问题,本研究提出了基于生成对抗网络的半航空瞬变电磁信号数据扩充方法,通过将生成器设计为LSTM网络,基于实采噪声数据集,进行生成器与判别器模型的训练,成功获取了可以生成仿真噪声数据的生成器模型,之后分析了生成器生成的仿真噪声与实采噪声的分布,并且对比了扩充前后降噪网络的表现,验证了本方法对于半航空瞬变电磁实采噪声数据的扩充是真实有效的。

基于数据扩充与无阈值递归图的非侵入式负荷识别方法

非侵入式负荷监测技术不仅能将电能流向透明化,还能简化智能电表安装流程,从而有效降低负荷监测成本。为提高非侵入式负荷监测中的负荷识别准确性,提出了基于数据扩充与无阈值递归图的非侵入式负荷识别方法。采用去噪扩散概率模型对小样本负荷数据进行数据扩充,以提升负荷识别方法的鲁棒性;通过去除递归图的Heaviside函数实现无阈值递归图以高效表征负荷特征,并结合Transformer深度学习网络构建负荷识别框架。将所提出的方法应用到3个实测数据集中,实验结果表明,所提方法能有效提高负荷识别准确度,改善分类效果。

基于改进CNN和数据扩充的苹果表面缺陷检测

目的:提高苹果表面缺陷的检测准确率和效率。方法:基于改进卷积神经网络(CNN)和数据扩充建立苹果表面缺陷检测方法。改建CNN的拓扑结构,并将其用于苹果表面缺陷检测;利用条件生成对抗网络,合成表面无缺陷和有缺陷苹果图像,实现图像数据扩充和提高改进CNN的苹果表面缺陷的识别性能;通过模型剪枝,合理权衡苹果表面缺陷的检测准确率、检测时间及节能限制,以提高所提方法的实用性。结果:当改进CNN中的解释层选用2048个解释性神经元时,平均检测准确率最高;条件生成对抗网络增强了苹果图像数据集的多样性;随着增强图像数在测试数据集中占比的增加,所提方法对苹果表面缺陷的检测准确率不断升高;当剪枝后的模型尺寸占原始模型尺寸的百分比从100%降至50%时,可以以6.96%的准确率损失将苹果表面缺陷的检测效率提升1倍。结论:试验方法有望在苹果生产和加工过程中实现自动化缺陷检测。

基于改进生成对抗网络的动液面建模数据扩充

针对采用生成对抗网络进行油井生产参数数据生成时,部分生成数据不符合油井生产过程特性,导致动液面软测量建模质量不高的问题,提出一种基于专家诊断的生成对抗网络油井动液面软测量建模数据扩充方法。在判别器基于真实数据与生成数据得到原始损失值后,结合油井生产的机理过程对生成数据的合理性进行专家诊断,检测判别器判别结果。对错误结果进行补偿并加入生成器与判别器的损失函数中进行后续对抗训练,从而生成较优的符合油井生产过程特性的动液面软测量建模样本数据。通过仿真实验,生成数据补充到软测量建模的训练数据中能够提高动液面的预测精度,均方根误差降低了5.99%。表明加入专家诊断模块后生成器生成数据质量更高,能够更好地满足油田生产需求。

面向集成电路拥塞预测的版图数据扩充方法

针对深度学习领域中集成电路(IC)版图数据集不充足导致预测模型准确度有限的问题,基于双生成对抗网络(DoubleGAN),提出了一种面向拥塞预测的版图数据扩充和自动标注方法。首先,利用5层反卷积网络结构搭建特征图生成模型,利用U-net结构搭建标签自动标注模型;然后,以Wasserstein距离为损失函数,训练以上模型;最后,原数据集通过以上模型扩充一定倍数后作为训练集,代入拥塞预测模型,提升预测的准确度。在拥塞预测数据集上进行数据生成实验,DoubleGAN生成数据的FID(Fréchet Inception Distance)的平均值为165.943,质量较好。与传统、深度卷积生成对抗网络(DCGAN)扩充方法进行对比实验,使用DoubleGAN扩充2倍时的预测方法,在归一化均方根误差(NRMS)、峰值信噪比(PSNR)、结构相似衡量(SSIM)指标上均优于传统方法和DCGAN扩充方法;对比数据扩充前的拥塞预测模型,各指标均有1.34%~17.98%的改善效果,实验结果表明所提扩充方法在总体上能够提高预测模型的准确度。

面向不平衡数据集的语音情感识别研究

样本平衡对机器学习至关重要,在不平衡数据集中,虽然某些类别的样本数量可能很少,但其重要性可能更高。研究了基于不平衡数据集的语音情感识别技术。在不同信噪比下采用不同噪声对不平衡基线数据集EMODB和IEMOCAP进行扩充,构建含噪数据集EMODBM和IEMOCAPM;采用SMOTE、RandomOverSampler、SMOTEENN、ADASYN、TomekLinks以及SMOTETomek等6种技术对基线数据集和含噪数据集进行重采样,实现类别样本平衡;在基线数据集和扩充数据集上分别提取21维的低级描述符特征;采用新提出的模型MA-CapsNet验证重采样技术的有效性。实验表明,重采样后各类情感样本基本平衡,使模型的学习更公平、更客观,并且模型在重采样数据集上的鲁棒性更好。

基于概率分布特征和代理模型的试验数据扩充方法研究

针对外场试验数据样本数量较少的情况,提出了一种利用概率分配和代理模型进行数据扩充的方法。通过分析数据的基本概率特征确定区间划分和各个区间需要生成的样本点的个数,样本点则基于反向传播(Back Propagation,BP)神经网络方法构建半实物仿真系统代理模型生成,并采用直方图统计方法选取,从而使增补的样本点既保留了原始数据的概率特征,又具有物理内涵。扩充的外场试验数据完善了飞行器的落点坐标信息,提升了落点数据融合模型的精度。通过飞行器534A的外场和半实物仿真试验研究,验证了该方法的实用性和有效性。

基于Diffusion-Model的PM_(2.5)检测中数据样本扩充研究

在PM_(2.5)检测领域,生成对抗网络(GAN)是最为常见的数据集扩充方案,通常在GAN的训练中通过扩大生成器和鉴别器分布的支持度以防止鉴别器过拟合。然而,因难以找到合适的噪声分布,采用这种方法难以达到预期的数据集扩充目标。而结合Diffusion-Model框架构建的Diffusion-GAN数据生成模型可以缓解丢失问题来稳定训练梯度,并通过创建同一样本的不同噪声版本来增强数据,从而达到提高生成样本质量和生成器的多样性的目的。实验表明,Diffusion-GAN相较于基线算法,其训练性能和生成样本的保真度分别提高了15.1%和32.7%,能够满足PM_(2.5)空气质量检测数据扩充的需求。

融合无监督和有监督学习的虚假数据注入攻击检测

虚假数据注入攻击(false data injection attack,FDIA)是智能电网安全与稳定运行面临的严重威胁。文中针对FDIA检测中存在的有标签数据稀少、正常和攻击样本极不平衡的问题,提出了融合无监督和有监督学习的FDIA检测算法。首先引入对比学习捕获少量攻击数据特征,生成新的攻击样本实现数据扩充;然后利用多种无监督检测算法对海量的无标签样本进行特征自学习,解决有标签样本稀缺的问题;最后将无监督算法提取的特征与历史特征集进行融合,在新的特征空间上构建有监督XGBoost分类器进行识别,输出正常或异常的检测结果。在IEEE 30节点系统上的算例分析表明,与其他FDIA检测算法相比,文中方法增强了FDIA检测模型在有标签样本稀少和数据不平衡情况下的稳定性,提升了FDIA的识别精度并降低了误报率。

基于生成对抗网络的医学图像扩充算法

生成对抗网络凭借其强大的拟合能力,已经在许多领域展露峥嵘。论文提出了一种基于生成对抗网络的针对肺部CT图像的图像生成方法,该方法融合了自注意力机制的特征提取能力和生成对抗网络对数据分布的拟合能力,同时针对输入向量进行特异性处理,实验结果表明,论文方法生成图像具有较高的质量以及可用性。

外P集合与F-扩充数据-过滤

P-集合具有动态特性,它由内P-集合与外P-集合组成.植物品种扩充过滤过程具有外-动态特性,应用外P-集合的外-动态特性及其结构,提出了F-扩充数据概念,讨论F-扩充数据的生成与过滤,获得F-扩充数据-过滤定理及F-扩充数据的生成-过滤算法,并给出F-扩充数据-过滤的应用.研究结果为动态信息系统的数据扩充提供了一种新方法.

基于生成对抗网络数据扩充的缺陷识别方法

可视化无损检测(NDT)在深度学习技术发展下,在数据处理方面正面领着巨大的机遇。但是,获取足够的标记数据集是一个很大的挑战。实现无损检测图像数据集的扩充有利于提升深度学习在缺陷检测中的能力。因此,通过研究无损检测图像数据特点,结合循环一致生成对抗网络(CycleGANs)方法,对现有的数据进行了有效的扩充。改善了深度卷积神经元网络(DCNN)从而有效的利用扩充数据来提升对缺陷图像的识别能力。最后,通过对比实验,展示了本扩充数据对提升缺陷检测网络训练具有重要作用。

一种基于生成式对抗网络的数据集扩充方法在湿地鸟类图像识别中的应用

已有的天津大黄堡湿地鸟类数据集存在样本数量少、样本分布不均衡等问题,严重影响鸟类智能识别的精度.本文提出一种基于生成式对抗网络的数据集扩充方法,通过使用旋转、缩放、添加噪声等方式进行初步扩充,然后输入条件对抗网络进行学习,通过使用生成器生成新的鸟类样本.对大黄堡湿地鸟类数据集进行扩充处理,并使用目标检测算法SSD、YOLOv3-SPP-Net、RetinaNet进行测试,结果表明识别的精度显著提高,基本满足本区鸟类目标识别的需求.

基于数据扩充的翻译记忆库与神经机器翻译融合方法

神经机器翻译是目前机器翻译领域的主流方法,而翻译记忆是一种帮助专业翻译人员避免重复翻译的工具,其保留之前完成的翻译句对并存储在翻译记忆库中,进而在之后的翻译过程中通过检索去重用这些翻译。该文基于数据扩充提出两种将翻译记忆与神经机器翻译相结合的方法:(1)直接拼接翻译记忆在源语句后面;(2)通过标签向量拼接翻译记忆。该文在中英与英德数据集上进行了实验,实验表明,该方法可以使翻译性能获得显著提升。

小样本条件下基于数据扩充和ResNeSt的雪豹识别

【目的】红外触发相机采集的雪豹监测图像质量参差不齐,且数量有限,为了提升小样本下雪豹的识别准确率,本研究提出一种雪豹监测图像自动识别方法。【方法】该方法基于具备注意力机制的ResNeSt50模型,使用祁连山国家公园的雪豹监测图像作为原始数据集,红外触发相机拍摄的非雪豹陆生野生动物图像作为扩充负样本,网络雪豹图像作为扩充正样本,生成3种数据集并依次进行对比实验,选择合适的扩充方式引导模型逐步关注到雪豹个体关键特征,使用梯度类激活热力图可视化进一步验证数据扩充后的有效性。【结果】使用原始数据集+扩充负样本+扩充正样本训练的模型识别效果最好,热力图可视化显示模型正确关注到雪豹个体花纹与斑点特征,对比基于Vgg16和ResNet50的识别模型,ResNeSt50的识别效果最好,测试集识别准确率达到97.70%,精确率97.26%,召回率97.59%。【结论】采用本研究提出的原始数据集+扩充负样本+扩充正样本数据扩充方法训练的模型,可以区分背景与前景,且对雪豹本身特征具有较强的判别能力,泛化能力最好。

采用历史数据扩充方法的风力发电量月度预测

月度风力发电量预测面临天气信息不确定性强和历史数据较少等问题,预测精度较低。根据风力所具有较强的季节特性和短时平滑变化特性,提出了风电月度发电量数据集扩展技术。基于扩展后的数据,利用中期天气预测信息前准后差的特点,提出了基于kdtree单元匹配、数据扩充、时间序列3种预测算法的熵权组合综合预测方法,通过理论及算例分析验证了所提数据扩充方法的有效性和综合预测方法的准确性。所提出的数据扩充方法和综合预测方法可为中长期风力发电月度电量预测提供一种可行的解决思路。

基于人工图像数据扩充的输电线路绝缘子识别

深度学习方法在计算机视觉领域发展迅速,但依赖于海量训练数据。输电线路绝缘子自动识别任务中,航拍图像数量不足、多样性差等问题影响识别的准确性。提出人工绝缘子图像数据扩充方法,通过3D建模创建人工绝缘子图像,并构建导向反向补偿网络,对创建的人工图像进行补偿优化,用补偿后的人工图像扩充航拍绝缘子图像数据集。在多个典型卷积神经网络上进行绝缘子识别对比实验,结果显示:所提方法使绝缘子识别准确率平均提升2.1%,且网络相对轻量级,验证了所提方法的有效性和优势。

隔离开关图像数据扩充方法及其在自动状态识别中的应用

针对隔离开关分合状态自动识别算法效果受到巡检图像训练样本限制的问题,提出了一种结合三维空间信息的隔离开关图像数据扩充方法。首先,通过隔离开关的二维图像,结合关于隔离开关三维形状的先验知识,求解隔离开关各关键点的三维坐标;然后,在三维空间中对隔离开关进行多次旋转变换,以模拟拍摄角度发生变化的情况;最后,通过透视投影变换将三维空间的隔离开关重新投影到二维平面,生成新的隔离开关图像数据,实现训练样本的扩充。算例结果表明,相比于平移、放缩、旋转、改变长宽比、改变亮度等传统图像数据扩充方法,所提出的隔离开关图像数据扩充方法对于隔离开关位置和分合状态识别效果有更显著的提升。