一种面向时序数据的多品种小批量生产线性能预测模型研究

随着生产线数字化、自动化水平的提高,产生了大量的反映运行过程机理及运行状态的数据,这些数据为生产线性能分析和预测提供了可能。针对生产线的在制品数量、生产周期和生产效率性能指标,构建了一种面向时序数据的循环深度信念网络的生产线预测模型(Cycle-deep belife network,C-DBN);针对传统基于SGD(Stochastic gradient descent)的训练方法存在的预测模型收敛速度慢以及精度低等问题,提出了基于AMM(Adam with momentum)算法的生产线性能预测模型训练方法;确定了面向时序数据的生产线性能预测模型训练流程。最终通过实例验证了生产线性能预测模型和训练方法的有效性。

融合语义标签和噪声先验的图像生成

针对现有生成模型难以直接从复杂语义标签生成高分辨率图像的问题,提出了融合语义标签和噪声先验的生成对抗网络(SLNP-GAN)。首先,直接输入语义标签(包含形状、位置和类别等信息),使用全局生成器对其进行编码,并结合噪声先验来学习粗粒度的全局属性,初步合成低分辨率图像;然后,基于注意力机制,使用局部细化生成器来查询低分辨率图像子区域对应的高分辨率子标签,获取细粒度信息,从而生成纹理清晰的复杂图像;最后,采用改进的引入动量的Adam算法(AMM)算法来优化对抗训练。实验结果表明,与现有方法text2img相比,所提方法的像素精确度(PA)在COCO_Stuff和ADE20K数据集上分别提高了23.73%和11.09%;相较于Adam算法,AMM算法收敛速度提升了约一倍,且损失值波幅较小。可见,SLNP-GAN能高效地获取全局特征和局部纹理,生成细粒度、高质量的图像。