Data processing of small samples based on grey distance information approach

Data processing of small samples is an important and valuable research problem in the electronic equipment test. Because it is difficult and complex to determine the probability distribution of small samples, it is difficult to use the traditional probability theory to process the samples and assess the degree of uncertainty. Using the grey relational theory and the norm theory, the grey distance information approach, which is based on the grey distance information quantity of a sample and the average grey distance information quantity of the samples, is proposed in this article. The definitions of the grey distance information quantity of a sample and the average grey distance information quantity of the samples, with their characteristics and algorithms, are introduced. The correlative problems, including the algorithm of estimated value, the standard deviation, and the acceptance and rejection criteria of the samples and estimated results, are also proposed. Moreover, the information whitening ratio is introduced to select the weight algorithm and to compare the different samples. Several examples are given to demonstrate the application of the proposed approach. The examples show that the proposed approach, which has no demand for the probability distribution of small samples, is feasible and effective.

Model-data-driven seismic inversion method based on small sample data

As sandstone layers in thin interbedded section are difficult to identify,conventional model-driven seismic inversion and data-driven seismic prediction methods have low precision in predicting them.To solve this problem,a model-data-driven seismic AVO(amplitude variation with offset)inversion method based on a space-variant objective function has been worked out.In this method,zero delay cross-correlation function and F norm are used to establish objective function.Based on inverse distance weighting theory,change of the objective function is controlled according to the location of the target CDP(common depth point),to change the constraint weights of training samples,initial low-frequency models,and seismic data on the inversion.Hence,the proposed method can get high resolution and high-accuracy velocity and density from inversion of small sample data,and is suitable for identifying thin interbedded sand bodies.Tests with thin interbedded geological models show that the proposed method has high inversion accuracy and resolution for small sample data,and can identify sandstone and mudstone layers of about one-30th of the dominant wavelength thick.Tests on the field data of Lishui sag show that the inversion results of the proposed method have small relative error with well-log data,and can identify thin interbedded sandstone layers of about one-15th of the dominant wavelength thick with small sample data.

Consensus of heterogeneous multi-agent systems based on sampled data with a small sampling delay

In this paper, consensus problems of heterogeneous multi-agent systems based on sampled data with a small sampling delay are considered. First, a consensus protocol based on sampled data with a small sampling delay for heterogeneous multi-agent systems is proposed. Then, the algebra graph theory, the matrix method, the stability theory of linear systems, and some other techniques are employed to derive the necessary and sufficient conditions guaranteeing heterogeneous multi-agent systems to asymptotically achieve the stationary consensus. Finally, simulations are performed to demonstrate the correctness of the theoretical results.

Reliability Assessment for the Solenoid Valve of a High-Speed Train Braking System under Small Sample Size

Reliability assessment of the braking system in a high?speed train under small sample size and zero?failure data is veryimportant for safe operation. Traditional reliability assessment methods are only performed well under conditions of large sample size and complete failure data,which lead to large deviation under conditions of small sample size and zero?failure data. To improve this problem,a new Bayesian method is proposed. Based on the characteristics of the solenoid valve in the braking system of a high?speed train,the modified Weibull distribution is selected to describe the failure rate over the entire lifetime. Based on the assumption of a binomial distribution for the failure probability at censored time,a concave method is employed to obtain the relationships between accumulation failure prob?abilities. A numerical simulation is performed to compare the results of the proposed method with those obtained from maximum likelihood estimation,and to illustrate that the proposed Bayesian model exhibits a better accuracy for the expectation value when the sample size is less than 12. Finally,the robustness of the model is demonstrated by obtaining the reliability indicators for a numerical case involving the solenoid valve of the braking system,which shows that the change in the reliability and failure rate among the di erent hyperparameters is small. The method is provided to avoid misleading of subjective information and improve accuracy of reliability assessment under condi?tions of small sample size and zero?failure data.

A New Approach to Robust Stability Analysis of Sampled-data Control Systems

The lifting technique is now the most popular tool for dealing with sampled-data controlsystems. However, for the robust stability problem the system norm is not preserved by the liftingas expected. And the result is generally conservative under the small gain condition. The reason forthe norm di?erence by the lifting is that the state transition operator in the lifted system is zero inthis case. A new approach to the robust stability analysis is proposed. It is to use an equivalentdiscrete-time uncertainty to replace the continuous-time uncertainty. Then the general discretizedmethod can be used for the robust stability problem, and it is not conservative. Examples are givenin the paper.

基于NVAE和OB-Mix的小样本数据增强方法

由于深度学习模型对海量标注数据的依赖性较高,导致目前许多前沿性目标检测理论难以适用于工业检测领域。为此,提出一种基于NVAE图像生成和OB-Mix数据增强的小样本数据扩充方法。具体方法是通过NVAE构建检测目标的数据分布模型,再通过采样潜变量的方式生成与真实目标图像属于同一分布的全新目标图像。在得到生成目标图像后,提出了OB-Mix数据增强策略,将生成目标图像与背景图像进行随机位置融合以构建出新的图像数据,从而提高网络的定位能力及泛化能力。方法在仅使用474张标注图像以及400张无检测目标的背景图像情况下,使YOLOv5的检测精确率达到95.86%,相比于不使用该方法的结果提高了17.60个百分点。

基于生成对抗网络数据增强的舰炮可靠性分析

舰炮故障数据不足会导致其可靠性分析变得极其困难。为解决故障数据不足这一问题,采用生成式对抗网络(generative adversarial network,GAN)对故障样本进行数据增强。建立GAN数据增强深度神经网络的舰炮可靠性分析模型,并与原始数据进行可靠性分析获得的指标进行了对比。结果表明,利用GAN数据增强后的扩充样本得到的指数分布拟合精度及威布尔分布拟合精度分别提高了5.40%和11.90%,相较于原始数据有了显著提升。为实现舰炮故障数据可靠性分析提供了方法和思路。

基于多元统计分析的小样本数据预测模型设计

若小样本数据预测误差较大,会直接影响数据应用效果,为提升小样本数据预测精度,提出基于多元统计分析的小样本数据预测模型设计方法。将小样本数据放入SPSS软件中,结合自助法完成小样本数据的经验分布分析。基于样本数据经验分布特征,结合具备学习能力的Fisherface算法对小样本上数据实施预分类,建立测试样本类别标签,实现小样本数据的特征提取。通过多元统计分析数据特征的主元成分,确定模型回归函数,结合支持向量机构建数据预测模型,通过上述模型完成小样本数据的精准预测。实验结果表明,使用上述方法开展小样本数据预测时,预测误差较低,效率较高,说明其预测效果较好。

不均衡小样本下的设备状态与寿命预测

针对面向小样本不均衡设备健康监测数据时AdaBoost处理效果差的问题,提出了基于裁剪过采样新增AdaBoost算法的设备健康状态分析以及寿命预测模型。首先,基于AdaBoost计算出样本权值分布和容量,根据样本最大权值与样本个数生成改进裁剪系数,选择性地对权值大于裁剪系数的样本进行处理从而提高计算效率。其次,通过类k近邻法则过滤出错分类样本权值,随后引入合成少数类过采样技术提升该种类样本权值个数,有效规避迭代过程中不均衡数据集可能引起的过拟合问题。最后,通过对设备运行状态进行准确分类并拟合出与时间相关的设备寿命曲线预测设备寿命。算例结果表明,所提模型能够有效分析出不均衡数据下的设备健康状况,同时也可以对剩余寿命进行有效预测。

小样本下基于改进ACGAN数据增强的X射线矿石图像分类方法

针对工业领域利用深度学习模型对矿石进行在线分类时,矿石样本稀少导致的模型过拟合、分类准确率低的问题,提出一种结合X射线透射成像技术的矿石数据增强分类方法。该方法基于改进辅助生成对抗网络(Enhance-based Classification ACGAN-gp, EC-ACGAN-gp),采用卷积和连续残差块构建判别器和生成器,引入注意力机制捕捉矿石细节特征,生成高质量样本扩充原始数据集,同时使用带梯度惩罚的Wasserstein距离重构判别器的损失函数提高对抗训练的稳定性,避免模式崩溃。通过增加辅助分类器重建样本标签信息,最终实现矿石样本的类别预测。结果表明,该方法能实现矿石品位分类的精准预测,准确率可达89.62%,比现有传统方法提高3.98%。该模型生成的矿石样本泛化性良好,能够显著提高小样本数据集的泛化性,在SVM、LeNet5、VGGNet、ResNet上测试,精度分别提升了2.83%、2.36%、1.89%和3.74%,可进一步用于提升其他分类模型在矿石品位预测方面的性能。

基于传递式领域自适应的异构样本增强方法

小样本问题广泛存在于数据驱动建模。领域自适应方法通过将源域中的样本知识迁移到目标域,从而实现目标域中的小样本增强,然而此类方法在实际应用中受限,原因在于难以应对领域分布差异较大的样本增强场景。针对上述问题,该文提出基于传递式领域自适应的异构样本增强方法。首先,提出传递式探索策略,通过私有特征和共享特征设计了面向异构域的领域分布探索策略,有效地缓解了负迁移,并为后续分布匹配提供支撑;然后,提出分布联合匹配机制,通过联合匹配异构领域的边缘分布和条件分布,并嵌入自适应机制,从而保证了异构域分布的匹配精度。该方法在业界公认的田纳西-伊斯曼数据集进行验证,实验结果表明该方法在异构域中的建模表现优于其他方法。

基于多目标采样和改进Mask R-CNN的木瓜成熟度检测

目的:提高木瓜成熟度检测准确率及鲁棒性。方法:提出一种基于多目标采样和改进Mask R-CNN的木瓜成熟度检测方法。通过均值平均精度、准确率、精确率—召回率曲线和计算时间等指标,验证所提方法的有效性和鲁棒性,并将其检测效果与Faster R-CNN、RetinaNet和CenterMask等方法进行对比。结果:试验方法对木瓜成熟度检测的平均精度均值、50%平均精度均值、75%平均精度均值分别为98.43%,98.67%,98.68%,对未成熟、半成熟和成熟木瓜成熟度的平均检测精度为99.38%,98.81%,99.37%。结论:该方法可用于开发木瓜成熟度检测的电子系统,提升木瓜成熟度检测和木瓜分级的性能。

一种小样本数据驱动的雷达复合干扰轻量化感知网络

基于深度学习的雷达干扰感知技术能精确感知各类雷达干扰类型,但需预先构建大规模且完备的训练样本,数据集构建工作量大、难度高,同时存在网络模型参数量较大、计算复杂度高的问题,导致在实际平台中难以应用。针对此问题,提出一种小样本数据驱动的雷达复合干扰轻量化感知网络,结合计算机视觉领域的“目标检测”思想建立干扰感知网络,利用雷达干扰时频分布数据提取多尺度特征图,预置锚框进行回归与分类,使用分组卷积与Ghost卷积对大参数量、高计算量的网络结构进行轻量化改进。实验结果表明:只需小规模的多种单一干扰模式样本,即可实现对单一干扰模式、两两复合模式及3类复合模式的灵活感知,在低干噪比条件下保持较高感知性能的同时大幅压缩模型的参数量与运算量。

基于潜在数据挖掘的小样本数据库对抗攻击防御算法

为了降低小样本数据库欺骗率,提升小样本数据库的攻击防御效果,设计了一种基于潜在数据挖掘的小样本数据库对抗攻击的防御算法(潜在数据挖掘的防御算法).采用改进的Apriori算法,通过频繁属性值集的工作过程获取准确的强关联规则优势,并从小样本数据库中挖掘潜在数据对抗攻击,同时优化候选集寻找频繁集的过程,然后利用关联分析检测对抗攻击,并通过可信度调度控制访问速率来防止产生恶意会话,实现小样本数据库对抗攻击防御.实验结果表明,潜在数据挖掘的防御算法可有效防御小样本数据库遭受的多种类型攻击,降低攻击产生的数据库欺骗率,保障小样本数据库服务器利用率的稳定性.

基于随机森林的多源小样本数据快速集成方法

受多源小样本数据属性复杂性的影响,对其进行集成处理时,过拟合和欠拟合情况较为明显。为此,文章提出基于随机森林的多源小样本数据快速集成方法。考虑多源小样本数据自身的属性特征,在构建随机森林模型阶段,充分利用粒向量与多源小样本数据特征的贴合性,将其作为随机森林的基础结构,利用粒化层归一化多源小样本数据,并将输出的粒化结果作为决策层的节点。在集成阶段,根据多源小样本数据与决策层节点之间的距离,集成数据。在测试结果中,数据集成的过拟合情况占比仅为0.29%,欠拟合情况占比也仅为0.27%,具有良好的集成效果。

大数据背景下小微企业抽样调查设计研究

在大数据背景下,本文充分利用数据来源渠道丰富、网络调查较为便利等特点,从多重抽样框设计、利用辅助信息提升抽样推断精度、非概率抽样调查设计等角度入手,对小微企业抽样调查的研究思路进行了梳理,研究并总结了一些可以使用的办法。对于多重抽样框设计,本文在比较多重名录抽样框设计、多重名录抽样框和区域抽样框组合设计研究思路的基础上,得到了在一定调查费用限制下可优先选用重叠划分部分筛选法设计的结论;对于辅助信息的利用,本文总结了样本轮换有关模型,比较了多种设计的结果,得到了可优先选用轮换及保留样本单位均带辅助信息模型的结论;对于非概率抽样网络调查设计,本文研究了三种调查形式以及准随机、超总体模型、准随机与超总体模型结合三种抽样推断的思路,对于时效性要求较高的专项调查,可在候选者数据库抽取样本单位开展调查并进行非概率抽样推断。本文为大数据背景下小微企业抽样设计提供了科学依据,可结合实践进一步加强应用,提升小微企业抽样调查的效率。

仿真数据驱动的起重机钢丝绳断丝定量识别方法

针对工程应用中起重机钢丝绳损伤检测由于故障样本不足导致检测效果较差的问题,提出了一种仿真数据驱动的、基于卷积神经网络(CNN)模型的钢丝绳断丝定量识别方法。首先,使用有限元软件COMSOL对直径24 mm的6×37结构钢丝绳不同损伤类型进行了建模与仿真,并将提离值为5 mm处仿真漏磁场减去背景磁场,得到了仿真损伤信号;其次,搭建了钢丝绳漏磁检测试验台,采集了与仿真参数一致的钢丝绳断丝实测信号,并进行了小波去噪处理,解决了实测信号中由于存在噪声干扰导致与仿真信号不匹配的问题;最后,建立了卷积神经网络模型,采用仿真数据辅助模型训练,并使用早停法抑制了模型对训练集中仿真数据的过拟合问题。以仿真数据作为训练集和仿真数据辅助小样本实测数据作为训练集,进行了实验验证。研究结果表明:仿真数据驱动、小波去噪能够较大幅度地提高断丝识别率;早停法能够较好地抑制实验中的过拟合问题;该方法在两种实验形式下的准确率分别达到了84.5%和97.5%,证明该方法能够有效识别钢丝绳损伤,具有一定的理论研究价值和工程应用前景。

基于贝叶斯多源数据融合的小子样产品性能状态评估方法

为了解决小子样产品性能状态评估过程中,可运用的测试数据较少的问题。针对小子样产品的发动机性能参数进行分析,设定性能状态参数和状态划分;利用贝叶斯多源数据融合理论,对待评估产品的发动机测试数据、同型号同批次其他产品的发动机测试数据进行融合,得到性能状态参数的融合先验和后验;利用融合后验,对性能状态参数进行贝叶斯估计;结合估计值和状态划分,完成了小子样产品的发动机性能状态评估,为小子样产品的整体性能状态评估提供了一个新的思路。

小样本机器学习下数据多尺度挖掘算法设计

数据多尺度挖掘是指在数据挖掘过程中考虑不同尺度的数据信息,由于数据中存在大量特征,为了提高信息处理效率,且更精准地划分数据类型,提出一种小样本机器学习算法下数据多尺度挖掘方法。将使用者的部分动作抽象,建立网站页面会话用于学习不同的事件内容,获得小样本数据信息。通过复值函数构建Hibert空间,计算出样本元素再生核,提取小样本数据特征;利用特征向量构造特征矩阵调节数据间平衡性,得到数据相对熵。建立多尺度信息数据库,使用机器学习下逻辑回归离散化数据特征值,挖掘复杂项集指标的支持度,实现精准的数据多尺度挖掘。通过实验证明,所提方法数据分类效果好,挖掘准确率高,耗费时间少。

基于强化正则的小样本自动摘要方法

文本自动摘要旨在从文本信息中提取主要语句以压缩信息。现有生成式自动摘要方法无法充分利用预训练模型对原文语义进行学习,导致生成内容易丢失重要信息,当面对样本数量较少的数据集时容易发生过拟合。为了解决此类问题并获得更好的微调性能,文中使用预训练模型mT5(multilingual T5)作为基线,通过结合R-drop(Regularized dropout)对模型微调进行强化正则来提高模型学习能力,同时利用Sparse softmax减少预测生成的模糊性来确保输出准确度。模型在中文数据集LCSTS和CSL上通过计算BLEU(Bilingual Evaluation Understudy)进行优化方法超参数测试,并采用Rouge作为评测指标分别对数据集进行了不同数量级的评测。实验结果表明,经过优化的预训练模型能够更好地学习原文语义表征,在小样本情况下模型能够保持较好的拟合效果,并且能够生成实用性较高的结果。