应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN...应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN)的缺失值插补算法DDC-GAIN(Dual Discriminator based on C-GAIN)。该算法通过一个辅助判别器辅助主判别器判断预测值的真假,即根据一个样本的全局信息判断这个样本生成的真假,更注重特征之间的关系,以此估算预测值。在4个数据集上与5种经典插补算法进行对比实验,结果表明:同样条件下,DDC-GAIN算法在样本量较大时的均方根误差(RMSE)最低;在Default credit card数据集上缺失率为15%时,DDC-GAIN算法的RMSE比次优算法C-GAIN降低了28.99%。这说明利用辅助判别器帮助主判别器学习特征之间的关系是有效的。展开更多
针对巡检机器人拍摄变电设备图像含噪严重、图像模糊和分辨率低影响设备缺陷检测的问题,提出一种基于条件生成式对抗网络和AlexNet-BiLSTM的变电设备缺陷检测方法,实现变电设备缺陷定位与辨识。首先,通过条件生成式对抗网络将模糊图像...针对巡检机器人拍摄变电设备图像含噪严重、图像模糊和分辨率低影响设备缺陷检测的问题,提出一种基于条件生成式对抗网络和AlexNet-BiLSTM的变电设备缺陷检测方法,实现变电设备缺陷定位与辨识。首先,通过条件生成式对抗网络将模糊图像转换成清晰图像;其次,为了避免大量超参数的设置,提高网络的训练速度,引入迁移学习思想,采用变电设备图像训练预训练的AlexNet网络,通过AlexNet网络提取图像的高维特征向量,利用双向长短时记忆网络(bi-directional long short-term memory, BiLSTM)对提取的特征向量进行分类;最后,在R-CNN框架下完成变电设备缺陷的标注和辨识。试验结果表明,所提方法复原的图像主观视觉效果良好,客观评价指标高,提高了变电设备缺陷检测准确率。展开更多
文摘应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN)的缺失值插补算法DDC-GAIN(Dual Discriminator based on C-GAIN)。该算法通过一个辅助判别器辅助主判别器判断预测值的真假,即根据一个样本的全局信息判断这个样本生成的真假,更注重特征之间的关系,以此估算预测值。在4个数据集上与5种经典插补算法进行对比实验,结果表明:同样条件下,DDC-GAIN算法在样本量较大时的均方根误差(RMSE)最低;在Default credit card数据集上缺失率为15%时,DDC-GAIN算法的RMSE比次优算法C-GAIN降低了28.99%。这说明利用辅助判别器帮助主判别器学习特征之间的关系是有效的。
文摘针对巡检机器人拍摄变电设备图像含噪严重、图像模糊和分辨率低影响设备缺陷检测的问题,提出一种基于条件生成式对抗网络和AlexNet-BiLSTM的变电设备缺陷检测方法,实现变电设备缺陷定位与辨识。首先,通过条件生成式对抗网络将模糊图像转换成清晰图像;其次,为了避免大量超参数的设置,提高网络的训练速度,引入迁移学习思想,采用变电设备图像训练预训练的AlexNet网络,通过AlexNet网络提取图像的高维特征向量,利用双向长短时记忆网络(bi-directional long short-term memory, BiLSTM)对提取的特征向量进行分类;最后,在R-CNN框架下完成变电设备缺陷的标注和辨识。试验结果表明,所提方法复原的图像主观视觉效果良好,客观评价指标高,提高了变电设备缺陷检测准确率。