考虑时空相关性的固定检测缺失数据重构算法

应用相关性理论,研究了交通流数据中缺失值与其他数据的相关性,对与缺失值不同相关性的数据给予不同的权重值,提出了基于交通流时空相关权重的重构算法,并以北京市二环快速路为研究对象,运用VISSIM仿真软件建立仿真模型,利用仿真数据对新算法和现有算法进行了对比分析。研究结果表明:在连续缺失1～10个数据时,模型1的重构值与仿真值平均相对误差最大仅为1.8766%,一般情况下,平均相对误差均在1.0000%以下,可见,模型1算法优于现有的重构算法。

基于DIEOF方法重构海表叶绿素a遥感缺失数据

以2007年1月到2010年12月的MODIS Aqua CHL-a Level 2海表水色产品为基础数据,获得南海北部海域海表叶绿素a浓度的月平均影像集,基于影像集数据的时空相关性利用DIEOF(Data Interpolating Empirical Orthogonal Functions)方法重构其缺失数据。通过分析重构前后数据变化、验证重构结果的时空特征、计算模型精度指标等对重构结果进行评价。研究结果表明:DIEOF方法重构的MODIS海表叶绿素a影像,能够体现研究区海表叶绿素a的时空变化特征,重构结果的复相关系数R2可达到0.98,平均绝对误差MAE小于0.01;该方法重构过程中无需先验信息,易操作,能够有效重构大面积成片缺失或缺失比例较高的影像。

结合模糊聚类和投影近似点算法的缺失人体运动捕捉数据重构

针对人体运动捕捉数据缺失问题,提出一种结合模糊聚类和投影近似点算法的缺失数据重构恢复方法.首先对不完整运动序列矩阵的缺失数据位置进行线性插值预处理,粗略补全矩阵以得到较完整的运动序列;然后利用模糊C-均值算法将粗略恢复后的复杂人体运动数据细分为含有多个不同语义运动片段的时序组合;再根据相同运动语义片段数据矩阵存在低秩特性,对细分后相应的各原始运动子片段采取投影近似点算法进行缺失数据恢复,并按照运动片段的时序特性进行组合;最后将原有未缺失数据与其相应位置重构恢复后的数据进行置换,根据人体运动轨迹的局部线性特性进行线性平滑,以保证运动序列的连贯性,从而达到对整体运动捕捉数据重构恢复目的.实验结果表明,该方法能够有效地对缺失运动数据进行恢复,使得重构后的运动序列能够较好地逼近于真实运动轨迹,准确度较高.

基于生成对抗网络和纵横交叉粒子群算法的光伏数据缺失重构方法

针对设备故障和人为干扰等因素造成光伏数据缺失的问题,提出了一种基于生成对抗网络和纵横交叉粒子群算法的光伏数据缺失重构方法。首先,使用Wasserstein散度生成对抗网络(Wasserstein divergence for GANs,WGAN-div)学习光伏数据的时序性规律与耦合关系;其次,设计了重构约束,通过优化生成器的噪声输入,使得重构后的样本最大限度贴近真实样本;针对优化高维变量问题,采用纵横交叉算法催化粒子群算法的寻优过程,防止优化时出现早熟问题。实验结果表明,在光伏数据含有大量缺失值时,所提方法具有较高的重构准确率。该方法也适用于电力系统中类似数据的缺失值重构,具有良好的应用前景。

基于生成对抗和双重语义感知的配电网量测数据缺失重构

传统的数据缺失重构技术大多依赖数理统计方法和先验知识结合机理分析构建数学模型,但是配电网量测数据具有高维、时变、非线性特征,复杂度高、表征难度大,难以保证高精度重构。文中提出一种利用无监督生成对抗训练方式自主提取数据特征并结合双重语义感知重构约束实现数据缺失重构的方法。其中,基于二维卷积的重构模型和量测数据二维灰度图像化训练增强了模型泛化能力和稳定性。该方法无需先验知识的分布假设与显式物理建模,在保证数据特征提取最大化的同时,有效提高了重构数据的精确性。最后,利用实测数据验证了该方法在重构缺失数据上的有效性。