基于对抗自编码填补网络的MIMO雷达故障阵元缺失数据重构

多输入多输出(Multiple In Multiple Out,MIMO)雷达的阵元故障会导致其协方差矩阵出现整行整列数据缺失,从而降低其角度估计性能。为此,提出一种对抗自编码填补网络(Adversarial Autoencoder Imputation Network,AAEIN)来重构故障阵元的缺失数据。该网络由负责重构缺失数据的自动编码(Autoencoder,AE)网络和负责分辨数据来源的鉴别器组成。在二者的对抗训练中,AE网络的重构能力和鉴别器的分辨能力不断得到提升,直至两者收敛。为避免网络训练过程中参数量大和计算复杂度高的问题,文中结合MIMO雷达协方差矩阵的Hermitian特性,使用协方差矩阵上三角部分构建数据集用于网络训练。仿真结果表明,文中方法可以有效地重构故障阵元的缺失数据且具有较高的重构精度。

基于多视数据重构损失标定的叶片型面光学检测

航发叶片型面检测是保证叶片加工质量、工作性能和使用寿命的关键环节。对此,该文开发一套基于线激光器的叶片型面检测平台;在完成线激光器与叶片相对位姿校准及Z向测量基准建立基础上,实现叶片型面特定截面处型线数据的多视采集;提出一种基于多视数据重构损失标定回转中心的型线重构方法。以两种典型燃气轮机导向叶片为检测对象,所提出方法获取的检测数据与三坐标测量机检测数据的对比结果表明,轮廓度检测平均绝对偏差在0.022 mm以内,最大标准偏差为0.0186 mm,最大RMS估计为0.0251 mm;特征参数检测最大偏差为0.0401mm。实验结果验证了所提出方法面向叶片型面检测的可行性。

电力变压器油中溶解气体离群值识别和数据重构

高质量传感数据是驱动新型电力系统数字化和智能化发展的基础,而由于传感器性能退化、传输中断或其他干扰因素,数据时常出现错误和异常值,造成数据利用率低等问题。针对在役电力变压器油中溶解气体在线监测数据,该文提出了基于COPOD、孤立森林(IForest)与Grubbs的联合方法提升油中溶解气体数据的价值。首先,通过COPOD和IForest筛选出包含离群点的数据集,再采用Grubbs对其进行检验,有效识别离群值。进一步地,采用掩码方式优化训练Transformer神经网络模型,填补空缺值重构油中溶解气体数据序列。在相同气体数据序列上,所提算法正确识别点数、正确识别离群点数和受试者工作特征曲线平均面积相比于传统K-近邻算法分别提升了3.5%、29.4%和5.0%。对于数据填补,对比双向缩放算法,填补后的数据与实际数据的方均根误差均值为7.29μL/L,平均绝对误差均值为2.7μL/L,性能分别提升了9.7%和9.2%,有效地提高了数据的质量和利用率。最后,通过11台500 kV变压器油中溶解气体数据分析,有力支撑了变压器状态评价和设备数字化管理。

基于量子生成对抗网络的数据重构

使用神经网络实现数据重构是人工智能领域一项十分重要的研究课题。生成对抗网络(generative adversarial network,GAN)作为近年来人工智能的热门算法,在完成数据重构任务中有较好的表现。量子计算作为一种能够加速经典计算的新型计算模式,正不断地与经典人工智能算法相融合。其中,量子生成对抗网络(quantum generative adversarial network,QGAN)在图像相关任务中具有良好的表现,但是量子模型的拟合能力还有待提高。故此,提出了一种基于GAN框架的量子-经典混合生成对抗网络(Q-CGAN)用于实现数据重构任务。该框架利用经典网络的非线性提高拟合效果,利用量子特性提供量子加速。使用MNIST手写数据集对比验证了量子模型和混合模型的重构效果,结果显示,Q-CGAN较纯量子生成器在数据重构过程中具有更好的表现。此外,还研究了混合模型中使用不同量子编码方案和不同参数化量子线路对数据重构效果的影响。

基于STL-DSCNN神经网络的GRACE数据重构—以中国东北为例

为解决GRACE重力卫星2017—2018年11个月数据空缺的问题,构建了一种STL-DSCNN的神经网络模型,利用降水、径流、蒸散发、气温以及模型陆地水储量作为驱动数据,分割GRACE卫星运行期间2002—2015年的156个月数据作为训练,2016—2017和2018—2022年72个月的数据作为测试。并采用归一化均方根误差NRMSE、皮尔逊相关系数R和纳什-萨特克利夫效率NSE对数据重构效果进行评估。结果表明,STL-DSCNN神经网络预测误差相较STL分解预测和DSCNN神经网络分别减少了20%和5%;重构结果超过90%地区NSE值在0.8以上,东北全区域相关性均在90%以上,相较单纯的STL分解和DSCNN神经网络有较大提升。

基于小波字典的风速数据重构的压缩感知方法

由于风速具有明显的非平稳性,常用字典的压缩感知(compressed sensing,简称CS)方法对于风速信号重构效果不佳,故引入基于小波字典的压缩感知方法,用于重构风速缺失数据,有效提升了风速信号的重构精度。通过风速仿真数据和广州塔的监测风速数据验证了本研究方法的有效性,并研究了数据缺失工况、正则化参数、小波字典层数和小波类型对风速信号重构效果的影响。结果表明,基于小波字典的压缩感知方法可有效重构缺失的风速信号。

基于改进LSGAN模型的配电网测量缺失数据重构研究

针对当前电力测量领域在缺失数据重构方面存在的效率低下和性能不佳的问题,本文提出了一种基于改进的最小二乘生成对抗网络(LSGAN)的缺失数据重构模型。该模型是在深入分析现有生成对抗网络缺点的基础上设计的,旨在通过改进算法使网络更加充分地学习数据之间的内在联系。为了提高训练的稳定性、加速计算的收敛速度以及提升生成数据的质量,本文将传统生成对抗网络(GAN)模型中的目标函数从交叉熵损失函数替换为最小二乘损失函数,并采用了一种新的距离度量方式。在实验阶段,与GAN,CGAN和原始LSGAN模型相比,所提出的改进LSGAN模型在综合指标性能上表现最优。试验结果验证了该模型的实用性和出色性能,该模型可为电力测量缺失数据重构的研究和应用提供一定借鉴作用。

虚拟陈展中档案展品多价值维度的数据重构研究

虚拟陈展是对展览体系架构、信息传播形态以及场景内涵的多维度演变与转型升级。本文在探讨档案虚拟陈展的叙事本质基础上,阐述了虚拟展示空间内,基于档案展品的多种价值维度,探讨了档案数字展品的数据重组技术思路,并采用图数据库技术对展品内涵价值的“七要素”进行索引重构,确保档案虚拟陈展的叙述生态闭环。

基于遗传算法的预压缩图像破损数据重构

为增大预压缩图像破损区域内的信噪比数值,从而使得重构图像能够更好地贴合压缩前的原始图像,提出基于遗传算法的预压缩图像破损数据重构方法。根据已生成的破损节点种群选择适应度评估标准,并构建遗传数据阵列,完成基于遗传算法的预压缩图像破损节点调取。建立破损数据分布函数,计算压缩重构比指标的实际数值,重构处理预压缩图像破损数据,实现预压缩图像破损数据重构。实验结果表明,在遗传算法作用下,预压缩图像破损区域内数据参量信噪比指标的数值上升,能够促使重构图像与原始图像完成较好的贴合。

基于最小二乘法的新能源出力时序数据重构方法

分析了风电和光伏的出力特性和相关性,进而得到新能源出力的概率模型。根据不同的数据样本,利用最小二乘法作为参数估计方法,计算得到概率分布模型参数。在此基础上,提出新能源出力时序数据重构的方法和数据重构步骤,为清洁能源的有序开发和发电并网提供参考。

电源车传感器故障检测和数据重构方法

针对电源车由于运行环境复杂而容易发生传感器故障的问题,提出了一种基于时空相关性的传感器故障检测和数据重构方法。针对单个传感器运行数据的时序关系特征,借助具有选择与遗忘机制的极限学习机(SF-ELM)建立了电源车传感器时间序列预测子模型,并据此实现对电源车传感器的故障检测;针对已检测的故障传感器,利用不同传感器之间的空间相关性,通过冗余度分析,使用改进后的互信息熵筛选出与故障传感器数据相关性较高的辅助传感器数据,实现对故障传感器失效数据的在线重构;通过仿真验证了所提方法在电源车传感器故障检测和数据重构中的可行性与有效性。

基于线性回归法的空间钢结构应力缺失数据重构

为避免大跨度钢结构健康监测中数据缺失的问题,保证监测数据的准确性和完整性,本文在研究监测点的温度与应力相关性基础上,提出改进的线性回归模型,重构缺失的应力数据,使缺失的数据达到较高的拟合精度和最佳的重构效果,并对不同缺失率的数据重构效果进行分析。结果表明:当数据缺失率控制在30%以内,相关系数均达到0.9以上,重构应力缺失数据与实测数据的平均误差小于5%。该方法对钢结构应力缺失数据的重构有着较高的精度。

基于PCA-MC的土壤湿度数据重构算法

土壤湿度在气象、气候等学科中起着重要作用,然而目前观测的土壤湿度数据缺少高精度、高空间分辨率,其适用性受到很大的限制。矩阵填充(Matrix Completion,MC)是压缩感知在矩阵上的应用,它针对部分缺失、污染、损毁的大规模数据,旨在将一个低秩不完整的矩阵,利用其元素间的相关性,恢复出矩阵的全部数据,适用于土壤湿度这类时空相关性高但缺失值多的数据。但其要求矩阵秩是相关或近似相关的,而土壤湿度的秩不稳定。对此,通过预设矩阵的秩,引入主成分分析方法(Principal Component Analysis,PCA),在降低矩阵维度的同时保留大部分信息,并在此基础上对具有缺失值的土壤湿度数据进行矩阵填充。实验选取了ERA-Interim 2022年部分地区的卫星土壤湿度数据,结果显示,相较于传统的MC算法,引入主成分分析的PCA-MC(Low Rank Matrix Completion)的实验结果的偏差减小了28.6%,均方根误差减小了5.78%,最大误差减小了14.8%,同时缩短了重构时间,这表明,PCA-MC方法相比MC方法可以有效地重构有缺失值的大规模矩阵。

基于GAN数据重构的电信用户流失预测方法

用户是运营商利益的核心。随着携号转网政策的出台,运营商之间的竞争越发激烈。为了提前精准有效地预测用户流失倾向,提出了一种基于生成对抗网络(generative adversarial network,GAN)数据重构的电信用户流失预测方法。首先,利用有效的数据预处理方法电信用户流失数据中的脏数据;其次,利用GAN重构电信用户流失数据,解决电信用户流失数据不平衡问题;最后,利用极度梯度提升树(extremegradient boosting,XGBoost)算法分别训练基于GAN重构的电信用户流失预测模型和基于合成少数类过采样技术(synthetic minority oversampling technique,SMOTE)采样的电信用户流失预测模型,对比两种模型的预测精度。实验结果表明,GAN重构后的电信用户流失预测模型预测精度比未重构的预测模型的准确率提升了6.75%,查准率提升了25.91%,召回率提升了30.91%,F1值提升了28.73%。该方法能够有效提升电信用户流失预测的准确度。

基于海量数据重构的大型水轮发电机高频局部放电测试方法

我国局放测试设备主要采用低频技术,应用于大型水轮发电机存在测试数据波动性较大和局放识别困难等问题,而适用于大型水轮发电机的高频局放试验平台处于长期缺失状态。为此,该文基于海量数据分步处理架构搭建高频局放硬件平台,提出一种全新的局放特征信号重构算法,通过时域特征进行有效脉冲划分,完整提取出局放特征信息,同时大幅度削减数据量。根据该文所提方法开发一套高频局放测试系统,与传统局放仪进行对比实验分析。水轮发电机老化线棒实验室测试验证该文所提方法的有效性和优越性,局放测试波动值为4.8%,远低于传统局放仪的57.3%。真机试验中检测出一例典型绝缘缺陷,工程应用效果显著,具有一定的推广应用价值。

风电场有功功率异常运行数据重构方法

风电场真实的历史运行数据是准确研究风电功率预测、出力特性及对系统影响的基础。针对目前限风情况下风电场历史运行数据存在的不良数据的实际问题,提取了不良数据的时序特性,采用分段判定方法进行识别;基于可用的历史数据,一方面利用风电场出力之间的延时相关性还原重构缺失数据,另一方面利用风电自身出力数据,采用基于自回归滑动平均(ARMA)模型的双向权重比重构方法重构完整的时间序列。以中国某风电基地实际风电场历史运行数据为算例,采用所提出的方法可以有效识别并重构缺失数据。文中比较了两种重构方法的重构效果,并给出了各自的适应性。

移动最小二乘法在多功能传感器数据重构中的应用

针对传统最小二乘法全局拟合的局限性,将一种新型的数值算法一移动最小二乘法应用于非线性多功能传感器的信号重构.通过详细研究插值函数的构造方法及性质,合理地选取基函数和权函数,求出试函数的系数,进而得到信号的重构值.详细分析了基函数维数、影响域节点数及权函数因子对计算结果的影响,并对最小二乘法以及移动最小二乘法的重构数据进行了对比,重构的相对误差分别小于15.3%和1.03%,结果表明移动最小二乘法更适合非线性曲面拟合,且适当地增加基函数维数或影响域节点数可以进一步提高数据重构的精度.

基于神经网络的地磁观测数据重构研究

在距离数据缺失台站一定范围内选取参考台作为输入,构建非线性BP神经网络并进行地磁观测数据重构研究.数据仿真结果显示,重构数据和原始记录数据吻合程度较高,重构残差较小,磁静日重构平均残差仅为0.11nT,磁扰日平均重构残差为0.23nT.重点对磁场活动最剧烈时段内的数据进行了短时重构,平均残差由0.4nT降低到0.2nT,重构效果得到较大改进.计算了原始数据与重构数据的功率谱密度,除部分高频信号外,二者变化特征基本相同,相关性高达1.0.从时域和频域验证了BP神经网络在地磁相对记录数据重构上的有效性,并将其运用于实际缺失数据重构,取得较好效果.

基于GPU的多分辨率体数据重构和渲染

基于小波变换的多分辨率压缩算法能够获得很高的压缩比,因而被广泛地用于压缩体数据.针对这种压缩策略,研究基于GPU的数据重构的方法,可以只从CPU向GPU传输少量的压缩数据,从而提高数据传输效率.因为好的数据结构是实现基于GPU的重构算法的关键,所以文中提出适合使用矩形纹理表示的数据结构——NestedTileboard;然后给出基于该数据结构在GPU上实现多分辨率重构的方法,使用NestedTileboard保存中间数据及重构结果;还提出了基于NestedTileboard的多分辨率体绘制方法,直接对重构数据进行体绘制,从而实现数据重构和体绘制的无缝连接.

基于正则化与时空约束改进K最近邻算法的农业物联网数据重构

针对农业复杂环境易发的物联网感知数据丢失异常问题,该文提出一种基于正则化惩罚的K最近邻数据重构方法(K nearest neighbor-regularization penalty,KNN-RP),采用岭回归方法对最近邻方法中的最小二乘因子进行正则化,并讨论了惩罚项的范数选取形式。通过对农业物联网感知数据的时空稳定性与相关性分析,确定了时间与空间约束矩阵的定义方式。采用温室数据样本对算法性能进行交叉验证,结果显示该文的KNN-RP性能在点丢失模型下优于KNN、反距离加权KNN算法以及DT算法,而在块丢失模型下优于KNN和反距离加权KNN算法,略低于DT算法,提高了农业物联网的感知数据质量。该研究可为基于物联网数据的农业生产决策提供参考。