一种基于WGAN-GP数据生成与泊松融合的数据深度增强方法

    公开(公告)号:CN114219778A

    公开(公告)日:2022-03-22

    申请号:CN202111482780.4

    申请日:2021-12-07

    摘要: 本发明公开了一种基于WGAN‑GP数据生成与泊松融合的数据深度增强方法,WGAN‑GP是具有梯度惩罚的生成对抗网络,是一种基于博弈思想的生成模型,该生成模型包含两个网络,分别为生成网络G和判别网络D。新的训练数据是通过将WGAN‑GP生成的路面病害图像插入到无病害的道路图像中合成的。插入图像时,要保证尽可能真实地插入图像,避免边缘突出,导致目标检测模型只学习物体的边缘特征而不是病害特征量。本发明利用WGAN‑GP数据生成技术与泊松融合技术对数据进行深度增强,相比传统数据增强方法,将生成图片带入路面病害检测模型的训练集中,提供足够的数据量使得检测模型去学习到可能的分布,提高了路面病害智能检测的精度。

    一种基于选择性融合多通道机械信号频谱多特征子集的磨机负荷参数预测方法

    公开(公告)号:CN108629091B

    公开(公告)日:2022-03-08

    申请号:CN201810352499.0

    申请日:2018-04-19

    IPC分类号: G06F30/17

    摘要: 本发明公开一种基于选择性融合多通道机械信号频谱多特征子集的磨机负荷参数预测方法,首先,对多通道机械振动和振声的时域信号采用快速傅里叶变换(FFT)得到多通道单尺度频谱;接着,针对每个通道的单尺度频谱,采用基于候选惩罚参数的集成构造策略得到面向单尺度特征子集构建的候选LASSO子模型,结合SEN学习机制构建全部通道的候选单通道SEN‑LASSO模型;最后,再次的采用SEN学习机制对候选单通道SEN‑LASSO模型进行选择和合并,得到对多通道机械信号及其频谱特征子集进行同时优化选择的MLPF模型。

    一种多源机械信号分析与优化组合方法

    公开(公告)号:CN108038079B

    公开(公告)日:2021-01-05

    申请号:CN201711268730.X

    申请日:2017-12-05

    摘要: 本发明公开一种多源机械信号分析与优化组合方法,对所采集多源机械振动和振声信号进行快速傅里叶变换,获得机械频谱数据;基于这些机械频谱数据构建潜结构映射模型,基于验证数据得到MLPF(磨机负荷参数预测)模型的结构参数和验证误差;通过单一机械信号MLPF潜结构模型的验证误差和结构参数与全部机械信号MLPF潜结构模型的验证误差和结构参数之比对机械信号的预测精度贡献率和蕴含信息贡献率进行评估,并定义两者的可调加权作为综合指标,实现多源机械信号预测精度和蕴含信息贡献率的综合评估;通过选择综合指标值大于设定阈值的多源机械信号完成初选,再基于组合优化策略实现用于构建MLPF模型的最佳多源机械信号优化组合。

    一种基于选择性融合多通道机械信号频谱多特征子集的磨机负荷参数预测方法

    公开(公告)号:CN108629091A

    公开(公告)日:2018-10-09

    申请号:CN201810352499.0

    申请日:2018-04-19

    IPC分类号: G06F17/50

    摘要: 本发明公开一种基于选择性融合多通道机械信号频谱多特征子集的磨机负荷参数预测方法,首先,对多通道机械振动和振声的时域信号采用快速傅里叶变换(FFT)得到多通道单尺度频谱;接着,针对每个通道的单尺度频谱,采用基于候选惩罚参数的集成构造策略得到面向单尺度特征子集构建的候选LASSO子模型,结合SEN学习机制构建全部通道的候选单通道SEN-LASSO模型;最后,再次的采用SEN学习机制对候选单通道SEN-LASSO模型进行选择和合并,得到对多通道机械信号及其频谱特征子集进行同时优化选择的MLPF模型。

    一种耦合传统方法和WGAN-GP的道路纹理图片增强方法

    公开(公告)号:CN113850855B

    公开(公告)日:2024-05-14

    申请号:CN202110992745.0

    申请日:2021-08-27

    摘要: 本发明公开了一种耦合传统方法和WGAN‑GP的道路纹理图片增强方法,结合传统方法以及WGAN‑GP对抗生成网络对数据进行增强,以达到数据扩增和均衡各类样本的效果。本发明首先将商用手持式三维激光扫描仪获取的道路纹理数据转为二维可视化纹理图片,然后使用人工方法和批量处理手段对路面纹理图片进行分类、预处理及数据集制作。本发明基于原始的小样本量且不均衡的路面纹理数据集,在传统方法增强的基础上采用WGAN‑GP网络进一步扩充。新生成的图片纹理特征相对更加明显,更易被机器识别,有助于提高模型的泛化能力,减少过拟合现象。此外,本发明不仅可以节约人工和时间成本,还对道路状况分析及自动驾驶有着至关重要的作用。

    一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法

    公开(公告)号:CN114091654B

    公开(公告)日:2024-04-12

    申请号:CN202111343969.5

    申请日:2021-11-14

    摘要: 本发明公开了一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法,结合深度卷积对抗生成网络对小批量试验数据进行扩增,以达到深度学习模型预测精度提升的效果。使用计算机技术对原始试验数据进行变量统计分析及数据集制作。本发明先对室内抗压强度试验获取的数据进行深度卷积对抗生成网络数据增强,学习试验数据之间的关键信息,使得试验数据样本物理特征相对更加明显,更易被机器捕捉特征,有助于提高模型的预测精度和泛化能力,减少过拟合。在此基础上,基于深度学习模型一维卷积神经网络(1DCNN)和二维卷积神经网络(VGG)对扩增后的实验数据集进行混凝土抗压强度预测。此外,本发明不仅可以节约人工和时间成本,还可以为后续的道路材料性能分析奠定基础。