CN113569928A - 一种列车运行状态检测数据缺失处理模型及重建的方法 - Google Patents
一种列车运行状态检测数据缺失处理模型及重建的方法 Download PDFInfo
- Publication number
- CN113569928A CN113569928A CN202110792198.1A CN202110792198A CN113569928A CN 113569928 A CN113569928 A CN 113569928A CN 202110792198 A CN202110792198 A CN 202110792198A CN 113569928 A CN113569928 A CN 113569928A
- Authority
- CN
- China
- Prior art keywords
- data
- missing
- module
- model
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims abstract description 28
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 238000013526 transfer learning Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000012423 maintenance Methods 0.000 claims abstract description 9
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013508 migration Methods 0.000 claims description 7
- 230000005012 migration Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 239000000446 fuel Substances 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 8
- 230000005284 excitation Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种列车运行状态检测数据缺失处理模型及重建的方法,通过构建全新的变分自编码‑生成对抗语义融合网络(VAE‑FGAN)用于对缺失数据进行重建,首先在编码器引入GRU模块,对数据底层特征与高层特征进行融合,使得VAE‑FGAN以无监督的训练形式学习量测数据之间相关性;其次在整个生成网络中引入SE‑NET注意力机制以提升增加特征提取网络对数据特征的表达;最后通过迁移学习与预训练达到参数共享。本发明不仅能保持较高的重建精度,重建数据也能很好的符合量测数据的分布规律,解决了现有技术模型在针对处理高速列车运行过程中部分故障运维数据极少或缺失时的模型泛化能力差、训练不稳定的问题。
Description
技术领域
本发明涉及数据缺失重建技术领域,更具体地,涉及一种列车运行状态检测数据缺失处理模型及重建的方法。
背景技术
高速列车在交通运输体系起到重要作用,其在运行中的安全保障不容出现差错。高速列车的线路常常会遇到山区、隧道等多种多样的复杂环境,会出现网络故障、传输中断、谐波干扰等现象,导致监测数据中存在大量数据缺失情况,无法得到缺失数据段的相关故障特征信息,使后期的多源信息融合造成较大的误差,不利于故障的判定。现有的EM算法、KNN算法这些传统方法都无法较好的模拟高速列车中复杂的数据特征与不同设备之间的相关性。
近年来,提出的生成对抗网络十分热门,202011072927.8一种基于生成对抗网络高速列车量测数据缺失重建的方法公开了基于生成对抗网络高速列车量测数据缺失重建的方法,但是这些模型训练高速列车离散数据时难以保证从随机噪声中产生与原始数据分布的样本,并且难以达到纳什均衡,导致梯度消失。其次,深度学习技术需要依赖大规模、高质量的完整数据来训练深度网络结构。而在实际的高速列车运行的过程中产生的有用数据少之又少,这样很难保证深度学习模型的泛化能力,迁移学习可以保证不同数据下学习的特征与参数共享,有效的解决高速列车小样本运维数据难以训练深度网络模型的问题。
发明内容
本发明要解决的技术问题是针对高速列车运行过程中,部分故障运维数据极少,遇到复杂多变的工况导致运维量测数据缺失,而现有的生成模型处理小样本数据重建问题,模型泛化能力差、训练不稳定的的不足,提供一种小样本数据下迁移生成对抗网络的高速列车量测缺失数据处理模型,解决高速列车量测小样本缺失数据较多带来的重建不准确的问题。
本发明解决的另一技术问题是提供列车运行状态检测数据缺失的重建方法。
本发明的目的通过以下技术方案予以实现:
一种列车运行状态检测数据缺失处理模型,包括数据采集模块、数据预处理模块、变分自编码-生成对抗语义融合网络(VAE-FGAN)模块、迁移学习参数共享模块、数据缺失部分重建模块;所述数据采集模块将数据传输至数据预处理模块,数据预处理模块将处理好的数据传输至变分自编码-生成对抗语义融合网络(VAE-FGAN)模块,变分自编码-生成对抗语义融合网络(VAE-FGAN)模块生成样本并将数据传输至迁移学习参数共享模块得到缺失数据,迁移学习参数共享模块将所得的缺失数据输送至数据缺失部分重建模块进行合理插补,输出完整数据结果。
进一步地,所述数据采集模块包括电流传感器、电压传感器、温度传感器、湿度传感器、位移传感器和电频传感器的一种或多种。
进一步地,步骤S2中所述变分自编码-生成对抗语义融合网络(VAE-FGAN)包括编码器E、生成器G和判别器D;所述编码器E捕获的数据特征信息,并由生成器G生成新样本,判别器D判断生成数据的真伪的同时,并对数据进行分类处理。
进一步地,所述编码器E引入GRU网络模块,利用GRU网络在学习数据特征有着独有的优势,提高编码器E获取数据深层语义的能力,增加了生成数据的质量。
进一步地,所述编码器E与生成器G分别还设有注意力机制SE-NET,用一个权重来表示每个通道在下一阶段的重要性。
进一步地,所述注意力机制SE-NET包括SE模块、Squeeze操作、Excitation操作与特征融合组成。对各个通道进行权重分配,Squeeze操作后,使网络得到一个全局描述,Excitation操作与特征融合使全连接层能很好的融合全部的输入特征信息,Sigmoid函数也能很好的将输入映射到0~1区间。
根据上述高速列车运行状态检测数据缺失处理模型,提供一种小样本数据下迁移生成对抗网络的高速列车量测缺失数据重建的方法,包括以下步骤:
S1、采集高速列车运维数据集,并对采集的离散数据进行预处理。
S2、运用变分自编码-生成对抗语义融合网络(VAE-FGAN)学习的数据间相关特征:
其中,变分自编码-生成对抗语义融合网络(VAE-FGAN)通过编码与重构来学习输入数据的特征分布,在训练的过程中,编码器E在完整的数据集中对样本进行特征的提取和压缩,并通过线性网络将其编码到潜在空间z,其中z是潜在捕获数据重要特征的信息;生成的新样本由生成器G根据潜在变量z的描述生成,生成器G通过使用变分推理不断让接近预期分布,选择KL散度作为损失函数的一部分来计算两个分布之间的距离。
S3、运用迁移学习构建参数共享模型,并生成小样本特征数据缺失部分的数据。
S4、对缺失部分数据进行插补,输出完整数据结果。
进一步地,步骤S1所述运维数据集包括设备交流电压、直流电压、监测输出电流、采集设备温度、油位、采集设备湿度、接受器电源频率的一种或多种。
进一步地,步骤S1中数据预处理包括时空校正、配准与数据升维流程,将采集的高速列车离散量测数据进行分段截取后,高维映射为一个2-D网格矩阵形式。
进一步地,所述迁移学习模型采用变分自编码-生成对抗语义融合网络(VAE-FGAN)为基本网络结构,通过使用样本数据对生成器Gp进行预训练,再将训练完好的参数迁移到主训练网络中的生成器Gm,使用少量样本的数据进行微调;
进一步地,所述预训练与主训练的样本数据量比例为5~20:1;优选地,所述预训练与主训练的样本数据量比例为10:1。
进一步的,在步骤S4对缺失数据部分插补过程中,定义一种上下文相似性与定义的KL散度共同约束用于插补缺失数据的部分,使得最终输出量测结果尽可能接近与真实部分。
与现有技术相比,有益效果是:
本发明在缺失数据重建方法下,构建了全新的变分自编码-生成对抗语义融合网络(VAE-FGAN)用于对缺失数据进行重建,在变分自编码-生成对抗语义融合网络(VAE-FGAN)中GRU语义融合模块的应用使得对数据底层特征与高层特征进行融合,有效的提升了模型的重建精度,在整个生成网络中引入SE-NET注意力机制以提升增加特征提取网络对数据特征的表达;最后通过迁移学习与预训练达到参数共享。本发明的迁移生成对抗网络模型能够从小样本的量测数据中学习数据的相关特征,在不同缺失率情况下不仅能保持较高的重建精度,重建数据也能很好的符合量测数据的分布规律。
附图说明
图1为小样本数据下变分自编码-生成对抗网络缺失数据重建框架;
图2为编码器、解码器与判别器网络结构
其中,k表示卷积核尺寸,c表示通道数,h表示门控循环网络GRU的隐藏层数;
图3为本发明核心部分——基于GRU的语义融合模块,高度整合底层特征信息与高层特征信息;
图4为添加在编码器与生成器中的SE-NET注意力机制;
图5为特定值缺失数据的重建效果,通过量测数据的上下文特征关系,能得到非常接近正常值的重建结果。
图6为本发明缺失数据重建可视化图,可有效的观察重建数据与真实数据的分布特性。
具体实施方式
下面结合实施例进一步解释和阐明,但具体实施例并不对本发明有任何形式的限定。若未特别指明,实施例中所用的方法和设备为本领常规方法和设备,所用原料均为常规市售原料。
实施例1
本实施例提供高速列车运行状态检测数据缺失处理模型。
如图1,所述高速列车运行状态检测数据缺失处理模型包含数据采集模块、数据预处理模块、变分自编码-生成对抗语义融合网络(VAE-FGAN)模块、迁移学习参数共享模块、数据缺失部分重建模块四个模块。
所述数据采集模块电流传感器、电压传感器、温度传感器、湿度传感器、位移传感器和电频传感器的一种或多种。
所述预处理模块包括多维度数据时空矫正、配准,通过向高维度映射实现数据升维。
所述变分自编码-生成对抗语义融合网络(VAE-FGAN)模块包括VAE的编码器E、生成器G,编码器E、生成器G与判别器D构成VAE-GAN骨干网络结构,所述编码器E与生成器G处分别加入注意力机制SE-NET,编码器E结合GRU网络模型,得到的编码器语义融合结构。
如图2,其中VAE的编码器E、生成器G和判别器D中对编码器与生成器的激活函数均选用RuLU函数,为了提高判别器识别性能,激活函数不同于其他卷积层的激活函数,选用LeakyReLU函数。
如图3,所述GRU模块包括三个量:上一时刻输出ht-1、当前时刻输入xt、当前时刻输出ht,公式中的zt和rt分别为更新门和重置门,更新门的值越大上一个时刻的信息带入越多,关系式如下:
zt=σ(Wz·[ht-1,xt])
rt=σ(Wz·[ht-1,xt])
其中,σ为sigmoid函数,通过这个函数将数据变换为0~1范围得数值,Wz为对当前状态的权重表示情况。
利用GRU学习上下文数据间的能力,提取数据间的深层特征。我们将第一层的数据作为GRU模块的上一步的输出,第二层的数据作为GRU模块的当前一步的输入,将有用数据信息保留后输出;再将输出数据与Layer 1、Layer 2的数据进行特征语义融合,输出到下一个GRU模块。这种结构设计高度整合了数据间的相关性,充分的结合了底层特征信息与高层特征,提高了整个模型重建缺失数据的真实性。
如图4,所述SE-NET注意力机制主要由SE模块、Squeeze操作、Excitation操作与特征融合组成。对各个通道进行权重分配,Squeeze操作后,使网络得到一个全局描述,Excitation操作与特征融合使全连接层能很好的融合全部的输入特征信息,Sigmoid函数也能很好的将输入映射到0~1区间。
实施例2
本实施例根据实施例1所述高速列车运行状态检测数据缺失处理模型提供小样本数据下迁移生成对抗网络的高速列车量测缺失数据重建的方法,步骤包括:
S1、通过数据采集模块采集高速列车运维数据集,并对采集的离散数据进行预处理:
所述预处理包括时空校正、配准与数据升维流程,将采集的高速列车离散量测数据进行分段截取后,高维映射为一个2-D网格矩阵形式。
S2、运用变分自编码-生成对抗语义融合网络(VAE-FGAN)学习的数据间相关特征:
其中,变分自编码-生成对抗语义融合网络(VAE-FGAN)通过编码与重构来学习输入数据的特征分布,在训练的过程中,编码器E在完整的数据集中对样本进行特征的提取和压缩,并通过线性网络将其编码到潜在空间z,其中z是潜在捕获数据重要特征的信息;生成的新样本由生成器G根据潜在变量z的描述生成,生成器G通过使用变分推理不断接近预期分布,选择KL散度作为损失函数的一部分来计算两个分布之间的距离。
S3、运用迁移学习构建参数共享模型生成小样本特征数据缺失部分的数据,通过使用样本数据对生成器Gp进行预训练,再将训练完好的参数迁移到主训练网络中的生成器Gm,使用少量样本的数据进行微调。即在迁移学习中,先训练一个VAE-FGAN,通过参数冻结的形式将参数迁移到另一VAE-FGAN中,用少量数据微调,这两个VAE-FGAN结构相同,只是训练的数据不同。
所述预训练与主训练的样本数据量优选比例为10:1。
S4、对缺失部分数据进行合理插补,输出完整数据结果:
缺失数据部分插补过程中,首先,建立一个与模型输入的量测数据维度一致的二值掩码矩阵M对含有缺失样本的特征数据进行合适的描述对于数据样本缺失的部分,对应的掩码矩阵M部分的元素值为0,完整部分为1。使测量数据X与M进行哈达玛积(Hadamardproduct)运算,通过矩阵的运算对不同程度的数据缺失进行表述。
其次,为保证未缺失部分能够保持不变,重构的数据与原量测数据相似。定义一种上下文约束的相似性Lr,用于生成器不断生成与完整数据部分最为匹配的数据,保证重建数据与完整数据具有一致的上下文关系。
Lr(z)=||Xe M-G(z)e M||2
其中,Lr(z)为上下文约束的相似性损失函数;X为含有缺失值的量测数据;G(z)为生成的数据样本,M二值掩码矩阵。必须注意的是我们只计算了数据的非缺失部分。
判别器损失用于保证重建的数据尽可能接近真实情况,定义该损失Ld为:
Ld(z)=-D(G(z))
其中,G表示生成器生成数据;D表示为判别器网络输出,即所生成的数据重建样本与真实样本之间的KL距离。
综上,重建量测缺失数据损失函数由相似性损失与判别器损失组成为:
L(z)=Lr+λLd(z)
其中,L(z)为数据重建的损失函数;Lr为相似性损失;λ为超参数。
实施例3
本实施例中,采用的某高速列车32天的设备运维数据,采用相同设备的五大特征(定位直流电压最大值、最小值、定位交流电压的最大值、最小值、平均值),相同设备的选取,提高了数据特征的强关联性。此组数据总量共1630条完整无缺失数据,为了验证本文模型对缺失数据的插补效果,我们将样本数据顺序进行打乱,采用交流电压最大值、最小值、平均值三种特征样本训练预训练模型,直流最大值、最小值对主训练模型进行微调与插补验证。通过预训练模型好的参数对主训练模型的迁移后,采用100条样本数据进行参数微调,并对主训练模型中剩余的250条的样本数据进行不同程度的随机缺失并进行插补,检验模型在小样本数据下的泛化能力。需要注意的是训练模型的数据必须保证是不含缺失值的完整数据,为了评估模型的处理缺失数据的插补能力,微调的数据与验证数据必须不能重复。
在python代码得到实现的,程序硬件环境为CPU处理器Intel(R)Xeon(R)E-2124GCPU频率3.41GHz;GPU为NVIDIA GeForce GTX 1660,采用平台版本为Python 3.7.7和torch1.4.0.
实验对预训练的编码器E与判别器D学习率设定为0.0001,生成器G学习率设定为0.00002,主训练模型的学习率均设定为0.00002,由于本实验数据样本的数量不大,为了使网络更快达到梯度下降的最优解,让模型快速收敛到稳定,将将BATCH_SIZE设定为1280,持续100个Epoch周期,利用本发明所述模型结构能获得很好得监督学习效果。
在缺失数据重建评估中,本文采用平均绝对误差(mean absolute error,MAE)与平均绝对误差百分数(mean absoluate percentage error,MAPE)两个指标来评价模型重建效果,其计算公式为:
如上所述,实验所用数据均是高速列车运维完整数据,目的是用于验证本文模型是否契合高速列车在复杂运行环境下造成的数据缺失的情况。因此实验采用二值掩码矩阵与完整数据进行哈达玛积运算来对缺失数据进行表示。考虑高速列车在实际运行过程中的量测数据缺失位置具有不确定性与不可控性,因此随机设定生成的掩码矩阵,其中1代表完整,0代表缺失。通过控制掩码矩阵0的数量来控制量测数据的缺失数量。如本实验采用250个样本达到20%的缺失效果则,随机生成掩码缺失量在50个采样点上下微小浮动。
如图5所示,假设高速列车***中编号为2,5,8,9,14的量测由于通信故障,导致该处量测数据全部丢失,依据数据间上下文特征关系以及数据的先验知识,本文模型重建数据如图6所示。可见本发明VAE-FGAN模型在特定缺失数据下,通过量测数据的上下文特征关系,能得到非常接近正常值的重建结果。
如图6所示,本发明模型对对每个特征取250个样本,其中对50个样本进行随机缺失,曲线与点的重合度反映重建数据与原数据的差别程度,当重构数据与原数据之间误差为零时,曲线与点就会重合,可见定位直流电压最大值与最小值的重建效果均与原数据具有相同的分布变化规律,特别定位直流电压最小值的重建数据与原量测数据有着高度拟合,并且在顶端值处误差也极小。这表明本发明VAE-GAN语义融合模型通过学习相同设备数据间特征规律,能极大的还原原数据信息分布且重建精度高。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种列车运行状态检测数据缺失处理模型,其特征在于,包括数据采集模块、数据预处理模块、变分自编码-生成对抗语义融合网络模块、迁移学习参数共享模块、数据缺失部分重建模块;所述数据采集模块将数据传输至数据预处理模块,数据预处理模块将处理好的数据传输至变分自编码-生成对抗语义融合网络模块,变分自编码-生成对抗语义融合网络模块生成样本并将数据传输至迁移学习参数共享模块得到缺失数据,迁移学习参数共享模块将所得的缺失数据输送至数据缺失部分重建模块进行合理插补,输出完整数据结果。
2.根据权利要求1所述列车运行状态检测数据缺失处理模型,其特征在于,所述数据采集模块包括电流传感器、电压传感器、温度传感器、湿度传感器、位移传感器和电频传感器的一种或多种。
3.根据权利要求1所述列车运行状态检测数据缺失处理模型,其特征在于,步骤S2中所述变分自编码-生成对抗语义融合网络包括编码器E、生成器G和判别器D;所述编码器E捕获的数据特征信息,并由生成器D生成新样本,判别器判断生成数据的真伪的同时,并对数据进行分类处理。
4.根据权利要求2所述列车运行状态检测数据缺失处理模型,其特征在于,所述编码器E引入GRU网络模块。
5.根据权利要求2所述列车运行状态检测数据缺失处理模型,其特征在于,所述编码器E与生成器G处还设有注意力机制。
6.一种列车运行状态检测数据缺失的重建方法,其特征在于,包括以下步骤:
S1、采集高速列车运维数据集,并对采集的离散数据进行预处理;
S2、运用变分自编码-生成对抗语义融合网络学习的数据间相关特征:
变分自编码-生成对抗语义融合网络通过编码与重构来学习输入数据的特征分布,在训练的过程中,编码器E在完整的数据集中对样本进行特征的提取和压缩,并通过线性网络将其编码到潜在空间z,其中z是潜在捕获数据重要特征的信息;生成的新样本由生成器G根据潜在变量z的描述生成,生成器G通过使用变分推理不断让后验分布接近预期分布,选择KL散度作为损失函数的一部分来计算两个分布之间的距离。
S3、运用迁移学习模型构建参数共享模型,并生成小样本特征数据缺失部分的数据;
S4、对缺失部分数据进行插补,输出完整数据结果。
7.根据权利要求6所述列车运行状态检测数据缺失的重建方法,其特征在于,步骤S1所述运维数据集包括设备交流电压、直流电压、监测输出电流、采集设备温度、油位、采集设备湿度、接受器电源频率的一种或多种。
8.根据权利要求6所述列车运行状态检测数据缺失的重建方法,其特征在于,步骤S1中数据预处理包括时空校正、配准与数据升维流程,将采集的高速列车离散量测数据进行分段截取后,高维映射为一个2-D网格矩阵形式。
9.根据权利要求6所述列车运行状态检测数据缺失的重建方法,其特征在于,所述迁移学习模型采用变分自编码-生成对抗语义融合网络为基本网络结构,通过使用样本数据对生成器Gp进行预训练,再将训练完好的参数迁移到主训练网络中的生成器Gm,使用少量样本的数据进行微调。
10.根据权利要求1所述列车运行状态检测数据缺失的重建方法,其特征在于,所述预训练与主训练的样本数据量比例为5~20:1;优选地,所述预训练与主训练的样本数据量比例为10:1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110792198.1A CN113569928B (zh) | 2021-07-13 | 2021-07-13 | 一种列车运行状态检测数据缺失处理模型及重建的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110792198.1A CN113569928B (zh) | 2021-07-13 | 2021-07-13 | 一种列车运行状态检测数据缺失处理模型及重建的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113569928A true CN113569928A (zh) | 2021-10-29 |
CN113569928B CN113569928B (zh) | 2024-01-30 |
Family
ID=78164679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110792198.1A Active CN113569928B (zh) | 2021-07-13 | 2021-07-13 | 一种列车运行状态检测数据缺失处理模型及重建的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113569928B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169396A (zh) * | 2021-11-05 | 2022-03-11 | 华中科技大学 | 用于飞行器故障诊断的训练数据生成模型构建方法及应用 |
CN116506309A (zh) * | 2023-06-27 | 2023-07-28 | 北京圣传创世科技发展有限公司 | 一种车载atp通信信号综合监测***及方法 |
CN117828280A (zh) * | 2024-03-05 | 2024-04-05 | 山东新科建工消防工程有限公司 | 基于物联网的消防信息智能采集及管理方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108583624A (zh) * | 2018-04-12 | 2018-09-28 | 中车青岛四方机车车辆股份有限公司 | 列车运行状态可视化方法和装置 |
CN109308689A (zh) * | 2018-10-15 | 2019-02-05 | 聚时科技(上海)有限公司 | 基于掩码生成对抗网络迁移学习的无监督图像修复方法 |
WO2019035364A1 (ja) * | 2017-08-16 | 2019-02-21 | ソニー株式会社 | プログラム、情報処理方法、および情報処理装置 |
CN110212528A (zh) * | 2019-06-19 | 2019-09-06 | 华北电力大学 | 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方法 |
CN110634539A (zh) * | 2019-09-12 | 2019-12-31 | 腾讯科技(深圳)有限公司 | 基于人工智能的药物分子处理方法、装置及存储介质 |
CN111462264A (zh) * | 2020-03-17 | 2020-07-28 | 中国科学院深圳先进技术研究院 | 医学图像重建方法、医学图像重建网络训练方法和装置 |
US20200242736A1 (en) * | 2019-01-29 | 2020-07-30 | Nvidia Corporation | Method for few-shot unsupervised image-to-image translation |
CN111859978A (zh) * | 2020-06-11 | 2020-10-30 | 南京邮电大学 | 一种基于深度学习的情感文本生成方法 |
CN112395737A (zh) * | 2020-10-09 | 2021-02-23 | 湖南工业大学 | 一种基于生成对抗网络高速列车量测数据缺失重建的方法 |
CN112528548A (zh) * | 2020-11-27 | 2021-03-19 | 东莞市汇林包装有限公司 | 一种自适应深度耦合卷积自编码多模态数据融合方法 |
-
2021
- 2021-07-13 CN CN202110792198.1A patent/CN113569928B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019035364A1 (ja) * | 2017-08-16 | 2019-02-21 | ソニー株式会社 | プログラム、情報処理方法、および情報処理装置 |
CN108583624A (zh) * | 2018-04-12 | 2018-09-28 | 中车青岛四方机车车辆股份有限公司 | 列车运行状态可视化方法和装置 |
CN109308689A (zh) * | 2018-10-15 | 2019-02-05 | 聚时科技(上海)有限公司 | 基于掩码生成对抗网络迁移学习的无监督图像修复方法 |
US20200242736A1 (en) * | 2019-01-29 | 2020-07-30 | Nvidia Corporation | Method for few-shot unsupervised image-to-image translation |
CN110212528A (zh) * | 2019-06-19 | 2019-09-06 | 华北电力大学 | 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方法 |
CN110634539A (zh) * | 2019-09-12 | 2019-12-31 | 腾讯科技(深圳)有限公司 | 基于人工智能的药物分子处理方法、装置及存储介质 |
CN111462264A (zh) * | 2020-03-17 | 2020-07-28 | 中国科学院深圳先进技术研究院 | 医学图像重建方法、医学图像重建网络训练方法和装置 |
CN111859978A (zh) * | 2020-06-11 | 2020-10-30 | 南京邮电大学 | 一种基于深度学习的情感文本生成方法 |
CN112395737A (zh) * | 2020-10-09 | 2021-02-23 | 湖南工业大学 | 一种基于生成对抗网络高速列车量测数据缺失重建的方法 |
CN112528548A (zh) * | 2020-11-27 | 2021-03-19 | 东莞市汇林包装有限公司 | 一种自适应深度耦合卷积自编码多模态数据融合方法 |
Non-Patent Citations (2)
Title |
---|
CHANGFAN ZHANG ET AL: "Reconstruction method for missing measurement data based on Wasserstein Generative Adversarial Network", 《JASIII》, vol. 25, no. 2, pages 195 - 203 * |
彭中联;万巍;荆涛;魏金侠;: "基于改进CGANs的入侵检测方法研究", 信息网络安全, no. 05, pages 53 - 62 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169396A (zh) * | 2021-11-05 | 2022-03-11 | 华中科技大学 | 用于飞行器故障诊断的训练数据生成模型构建方法及应用 |
CN116506309A (zh) * | 2023-06-27 | 2023-07-28 | 北京圣传创世科技发展有限公司 | 一种车载atp通信信号综合监测***及方法 |
CN116506309B (zh) * | 2023-06-27 | 2023-09-08 | 新唐信通(浙江)科技有限公司 | 一种车载atp通信信号综合监测***及方法 |
CN117828280A (zh) * | 2024-03-05 | 2024-04-05 | 山东新科建工消防工程有限公司 | 基于物联网的消防信息智能采集及管理方法 |
CN117828280B (zh) * | 2024-03-05 | 2024-06-07 | 山东新科建工消防工程有限公司 | 基于物联网的消防信息智能采集及管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113569928B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113569928A (zh) | 一种列车运行状态检测数据缺失处理模型及重建的方法 | |
CN109490814B (zh) | 基于深度学习和支持向量数据描述的计量自动化终端故障诊断方法 | |
CN110992113A (zh) | 基于神经网络智能算法的基建变电站项目造价预测方法 | |
CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
CN110414412B (zh) | 基于大数据分析的广域电网多重扰动精确识别方法和装置 | |
CN114297947B (zh) | 基于深度学习网络的数据驱动风电***孪生方法及*** | |
CN111401749A (zh) | 一种基于随机森林与极限学习回归的动态安全评估方法 | |
CN115293280A (zh) | 基于时空特征分割重构的动力装备***异常检测方法 | |
CN113688869B (zh) | 一种基于生成对抗网络的光伏数据缺失重构方法 | |
CN114841072A (zh) | 一种基于差分融合Transformer的时序预测方法 | |
CN112395737A (zh) | 一种基于生成对抗网络高速列车量测数据缺失重建的方法 | |
CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和*** | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及*** | |
CN115015683A (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
CN114116832A (zh) | 一种基于数据驱动的配电网异常识别方法 | |
CN110084295A (zh) | 一种多智能体***分组包围控制方法及控制*** | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN112215410B (zh) | 基于改进深度学习的电力负荷预测方法 | |
WO2024087129A1 (zh) | 针对航空发动机数据重构的生成对抗多头注意力神经网络自学习方法 | |
CN115994605A (zh) | 综合气象因子数据的多数据融合光伏功率预测算法 | |
CN115359197A (zh) | 一种基于空间自相关神经网络的地质曲面重构方法 | |
Dabou et al. | Supervised learning of overcomplete dictionaries for rapid response-based dynamic stability prediction | |
CN114113909A (zh) | 一种配电网单相接地故障选线方法及*** | |
CN113705695A (zh) | 一种基于卷积神经网络的配电网故障数据辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |