CN116777292B - 基于多批次小样本航天产品的缺陷率指标修正方法 - Google Patents
基于多批次小样本航天产品的缺陷率指标修正方法 Download PDFInfo
- Publication number
- CN116777292B CN116777292B CN202310796861.4A CN202310796861A CN116777292B CN 116777292 B CN116777292 B CN 116777292B CN 202310796861 A CN202310796861 A CN 202310796861A CN 116777292 B CN116777292 B CN 116777292B
- Authority
- CN
- China
- Prior art keywords
- quality data
- defect rate
- quality
- data
- effective
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012937 correction Methods 0.000 title claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 25
- 238000009826 distribution Methods 0.000 description 15
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000013441 quality evaluation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种基于多批次小样本航天产品的缺陷率指标修正方法,包括:步骤S1、获取多批次小样本航天产品的质量缺陷率数据;从中提取出每一批质量数据的有效特征;使质量数据的有效特征能够归一化到百万量级产品条件下;步骤S2、基于所述质量数据的有效特征构建出质量数据相似度度量参数;步骤S3、基于质量数据的有效特征和质量数据相似度度量参数,进行缺陷率指标修正;得到符合百万量级产品条件下的质量缺陷率数据。本发明解决了定位产品型号过程中的薄弱环节和缺陷,发现和解决***质量隐患,支撑产品改进,降低损失。
Description
技术领域
本发明涉及质量管理领域以及人工智能领域,涉及一种基于多批次小样本航天产品的缺陷率指标修正方法。
背景技术
在航天产品领域,对相同类型的产品会基于不同的订单,分为不同批次进行生产。这些不同批次的产品可能会由于业务需求、产品规格的局部修改而与需要进行质量评估目标批次产品在整体相似的条件下具有较小的差异性。因此,提取这些不同批次产品的有效信息,可以提高目标批次产品质量数据的涵盖产品整体质量分布的有效信息,但是直接利用相似质量缺陷率数据进行计算会导致缺陷率计算结果准确性下降,甚至低于原始质量缺陷率数据。
航天装备部件生产流程具有小批量、多批次的特点,单批次部件的需求量和生产量远远无法达到百万量级的水平。因此,传统缺陷率质量评价方法在对小批量复杂装备进行质量评价时,需要将小批量航天装备的统计结果归一化到百万量级的水平,从而实现对百万量级产品缺陷率计算结果的近似。但是基于统计近似对缺陷率指标计算结果的准确性产生影响,导致缺陷率指标值的置信度较低,限制了缺陷率指标的客观性和在航天装备质量评估业务应用中的指导意义。
发明内容
鉴于上述的分析,本发明旨在公开了一种基于多批次小样本航天产品的缺陷率指标修正方法,解决多批次小样本航天产品的缺陷率指标精度差的问题。
本发明公开了一种基于多批次小样本航天产品的缺陷率指标修正方法,包括:
步骤S1、获取多批次小样本的航天产品的质量缺陷率数据;从中提取出每一批质量数据的有效特征;使质量数据的有效特征能够归一化到百万量级产品条件下;
步骤S2、基于所述质量数据的有效特征构建出质量数据相似度度量参数;
步骤S3、基于质量数据的有效特征和质量数据相似度度量参数,进行缺陷率指标修正;得到符合百万量级产品条件下的质量缺陷率数据。
进一步地,在步骤S1中,采用基于KL散度正则化的变分自编码器对输入的N批次小样本的航天产品的质量数据进行提取;通过提取得到质量数据的有效特征其中,m维向量xl为第l批的质量数据的有效特征。
进一步地,在基于KL散度正则化的变分自编码器模型训练过程中,通过对变分自推断不等式的KL散度正则项进行加权,减小KL散度正则项权重,用于提高重构项的训练稳定度。
进一步地,在步骤S2中,通过对变分自编码器输出的质量数据的有效特征使用k-means方法进行聚类;基于聚类结果和质量数据的有效特征在特征空间中的距离度量,构建出质量数据相似度度量参数。
进一步地,使用k-means方法进行聚类时,旨在求解的优化问题为:
其中,聚类中心为U为中心个数;聚类参数tlu∈{0,1};对于l=1,…,N,均有/>
进一步地,通过计算不同的两批次的质量数据的有效特征属于相同聚类的概率以及有效特征的差异性距离度量,构建出两批次的质量数据的相似度度量参数。
进一步地,l批质量数据和k批质量数据相似度slk为:
式中,为质量数据的有效特征xl和xk属于相同聚类的概率;/>为质量数据的有效特征xl和xk的差异性距离。
进一步地,质量数据的有效特征xl和xk属于相同聚类的概率为:
其中,tlu和tku分别为在进行k-means聚类时,两批质量数据xl和xk对于聚类中心u的聚类参数。
进一步地,质量数据的有效特征xl和xk的差异性距离为:
式中,w>0为预设的参数。
进一步地,在步骤S3中,对于l批质量数据进行缺陷率指标修正后,得到符合百万量级产品条件下缺陷率指标为:
式中,xl为l批质量数据的有效特征,slk为l批质量数据和k批质量数据相似度度量参数。
本发明可实现以下有益效果之一:
本发明提供了基于多批次小样本航天产品的缺陷率指标修正方法,提出了新的缺陷率计算方法,所计算的缺陷率更加有效的近似百万量级产品条件下的缺陷率计算结果。
针对航天型号产品复杂度高、多批次、小批量的特点,运用小样本指标适用性、可靠性和不确定性评估方法对产品进行缺陷率分析评估,通过融合多批次产品的先验信息,对单批次小样本缺陷率数据进行误差修正,提升缺陷率计算结果的准确性。定位产品型号过程中的薄弱环节和缺陷,发现和解决***质量隐患,支撑产品改进,降低损失。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件;
图1为本发明实施例中的基于多批次小样本航天产品的缺陷率指标修正方法流程图;
图2为本发明实施例中的变分自编码器的模型结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理。
本发明的一个实施例公开了一种基于多批次小样本航天产品的缺陷率指标修正方法,如图1所示,包括:
步骤S1、获取多批次小样本的航天产品的质量缺陷率数据;从中提取出每一批质量数据的有效特征;使质量数据的有效特征能够归一化到百万量级产品条件下;
步骤S2、基于所述质量数据的有效特征构建出质量数据相似度度量参数;
步骤S3、基于质量数据的有效特征和质量数据相似度度量参数,进行缺陷率指标修正;得到符合百万量级产品条件下的质量缺陷率数据。
具体的,在步骤S1中,输入的N批次小样本航天产品的质量数据一个批次的质量数据/>为一个m维向量,包含m个工步(检验特性)的工序。
在本步骤中,采用基于KL散度正则化的变分自编码器对N批次小样本航天产品的质量数据进行提取,得到质量数据的有效特征/>
利用变分原理,通过KL散度正则化的变分自编码器来提取质量缺陷率数据的有效特征用于表征每一个分量定义为将生产产品归一化到一百万个时,对应的工步缺陷数量。
质量数据的有效特征中,一个批次的有效特征xl中的每个分量代表生产一百万个产品在该分量对应的工步中所产生的缺陷个数。即,通过有效特征的提取,当生产产品的数量少于一百万个时,将有效特征中的每一个分量定义为将生产产品归一化到一百万个时,对应的工步缺陷数量。
更为具体的,本实施例中质量数据指标包含产品总体方案、设计、生产、可靠性、设备计量、质量成本、元器件、外协外购和综合质量等9类指标。
变分推断是人工智能技术中的核心模型之一。给定参数化的数据分布模型pdata(x|θ),其中θ表示数据分布模型的参数。由于在实际应用中的数据分布复杂、缺乏显式表达,pdata(x|θ)无法通过表达式直接计算,它可以通过变分推断进行如下近似:
L(x,θ,q):=log pdata(x|θ)-DKL(q(z|x)|pdata(x|θ))
=∫q(z|x)·log p(x|z,θ)-DKL(q(z|x)|p(z)),
这里,z表示特征变量、q(z|x)表示条件分布,p(x|z,θ)表示参数化的数据分布模型,p(z)表示特征变量的分布,并且DKL(·|·)表示为KL散度。
变分自编码器的模型,如图2所示,包括编码器、特征均值模块、特征方差模块、Z模块、解码模块和KL散度计算模块;
所述编码器,用于对输入的质量数据进行编码,得到编码特征数据;
所述特征均值模块,用于计算编码特征数据的均值;
所述特征方差模块,用于计算编码特征数据的方差;
所述Z模块,用于根据输入的均值和方差数据计算得到特征变量数据;
KL散度计算模块,用于根据编码特征数据的均值和方差决定的编码特征数据的分布和正态分布计算KL散度。
提出的模型对变分自推断不等式中的KL散度正则项:
DKL(q(z|x)|p(z));
进行加权,用于克服重构项:
∫q(z|x)·log p(x|z,θ);
在模型训练的过程中由于KL散度正则项:
DKL(q(z|x)|p(z));
权重较大而导致的训练不稳定问题。因此,提出的自编码器模型通过求解下面的优化问题得到:
这里,q(z|x,φ)通过神经网络模型进行近似,φ表示神经网络的参数,p(x|z,θ)表示参数化的数据分布模型;a是预先设置的权重参数。称该模型为KL散度正则化的自编码器模型。在KL散度正则化的自编码器模型中,通过质量数据在自编码器的输出来提取质量数据的有效特征。
所述解码模块,用于对输入的特征变量数据进行解码后得到质量数据的有效特征。
在基于KL散度正则化的变分自编码器模型训练过程中,通过对变分自推断不等式的KL散度正则项DKL(q(z|x)|p(z))进行加权,减小KL散度正则项权重,用于提高重构项∫q(z|x)·log p(x|z,θ)的训练稳定度。
因此,提出的自编码器模型通过求解下面的优化问题得到:
其中,q(z|x,φ)为通过神经网络模型进行近似的条件分布;φ表示神经网络的参数,a是预先设置的权重参数;p(x|z,θ)表示参数化的数据分布模型
上述模型为KL散度正则化的自编码器模型。在KL散度正则化的自编码器模型中,通过质量数据在自编码器的输出来提取质量数据的有效特征。
具体的,在步骤S2中,通过对变分自编码器输出的质量数据的有效特征使用k-means方法进行聚类;基于聚类结果和质量数据的有效特征在特征空间中的距离度量,构建出质量数据相似度度量参数。
质量缺陷率数据在编码器中输出的有效特征和聚类中心/>U为中心个数,k-means方法旨在求解下面的优化问题:可以
类参数tlu∈{0,1};对于l=1,…,N,均有
基于k-means方法和径向基函数,通过计算不同的两批次的质量数据的有效特征属于相同聚类的概率以及有效特征的差异性距离度量,构建出两批次的质量数据的相似度度量参数。
具体的,相似度度量参数表示中,l批质量数据和k批质量数据相似度slk为:
式中,为质量数据的有效特征xl和xk属于相同聚类的概率;/>为质量数据的有效特征xl和xk的差异性距离。
更为具体的,质量数据的有效特征xl和xk属于相同聚类的概率为:
其中,tlu和tku分别为在进行k-means聚类时,两批质量数据xl和xk对于聚类中心u的聚类参数。
质量数据的有效特征xl和xk的差异性距离为:
式中,w>0为预设的参数。
具体的,步骤S3基于质量数据的有效特征和质量数据相似度度量参数,进行缺陷率计算时,对传统的缺陷率计算方法进行了修正。
在航天产品生产中,对相同类型的产品会基于不同的订单,分为不同批次进行生产。这些不同批次的产品可能会由于业务需求、产品规格的局部修改而与需要进行质量评估目标批次产品在整体相似的条件下具有较小的差异性。因此,提取这些不同批次产品的有效信息,可以提高目标批次产品质量数据的涵盖产品整体质量分布的有效信息,但是直接利用相似质量缺陷率数据进行计算会导致缺陷率计算结果准确性下降,甚至低于原始质量缺陷率数据。
通过相似采集环境提取、具有相似检验特性分布的质量缺陷率数据提升缺陷率计算准确率。通过质量缺陷率数据的相似度slk来构建基于加权的缺陷率计算方法,从而修正小样本条件下缺陷率数据的计算结果,使其更加近似百万量级采集数据条件下的缺陷率计算结果。
给定质量缺陷率数据集这里xl=(xl1,…,xlm)∈Rm表示某一个批次产品的质量缺陷率数据统计结果。基于数据集X,经典的缺陷率计算方法PPM1总共输出m个计算结果。PPM1的第j个计算结果PPM1(j)定义如下:
令pj(n)为第j个工步出现缺陷的数量概率分布,则PPM0的第j个计算结果PPM0(j)具有如下形式:
PPM0(j)=∑npj(n)·n。
通过大数定律,有下面的关系:
PPM1→PPM0,N→∞。
因此,PPM0可以表示在百万量级质量缺陷率数据条件下缺陷率的计算结果。然而当质量缺陷率数据数量N较小时,PPM1和PPM0的计算结果可能具有较大的差异性。PPM1(j)的计算准确性可能低于某一个质量数据xlj.
为了提升PPM1的准确性,可以选择一些与目标批次缺陷率不是同一批次的相同产品质量缺陷率数据。令PPMours为提出的缺陷率计算方法。
对于l批质量数据进行缺陷率指标修正后,得到符合百万量级产品条件下缺陷率指标为:
式中,xl为l批质量数据的有效特征,slk为l批质量数据和k批质量数据相似度度量参数。
在本实施例中,提出的方法PPMours充分利用本批次质量数据与其它批次质量数据的相似性。PPMours选取了缺陷特征分布与批次质量数据相似的质量数据并且剔除了冗余信息。通过数值实验,可以说明所提出的方法PPMours比缺陷率原始计算方法PPM1可以更加有效的近似百万量级产品条件下的缺陷率计算结果PPM0。
在质量问题关键控制点的选取问题中,基于修正后的缺陷率值对产品质量问题风险进行排序,确定监控质量问题的关键控制点。修正后的计算结果更能真实客观地反应产品真实质量状况。对缺陷率值较高的关键高风险质量控制点进行排序和进行重点监控,对缺陷率值低的低风险检测特性,调整检测策略,降低检测成本。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于多批次小样本航天产品的缺陷率指标修正方法,其特征在于,包括:
步骤S1、获取多批次小样本的航天产品的质量缺陷率数据;从中提取出每一批质量数据的有效特征;使质量数据的有效特征能够归一化到百万量级产品条件下;
步骤S2、基于所述质量数据的有效特征构建出质量数据相似度度量参数;
步骤S3、基于质量数据的有效特征和质量数据相似度度量参数,进行缺陷率指标修正;得到符合百万量级产品条件下的质量缺陷率数据;
在步骤S1中,采用基于KL散度正则化的变分自编码器对输入的N批次小样本的航天产品的质量数据进行提取;通过提取得到质量数据的有效特征其中,m维向量xl为第l批的质量数据的有效特征;
在步骤S2中,通过对变分自编码器输出的质量数据的有效特征使用k-means方法进行聚类;基于聚类结果和质量数据的有效特征在特征空间中的距离度量,构建出质量数据相似度度量参数;
通过计算不同的两批次的质量数据的有效特征属于相同聚类的概率以及有效特征的差异性距离度量,构建出两批次的质量数据的相似度度量参数;
在步骤S3中,对于l批质量数据进行缺陷率指标修正后,得到符合百万量级产品条件下缺陷率指标为:
式中,xl为l批质量数据的有效特征,slk为l批质量数据和k批质量数据相似度度量参数。
2.根据权利要求1所述的基于多批次小样本航天产品的缺陷率指标修正方法,其特征在于,
在基于KL散度正则化的变分自编码器模型训练过程中,通过对变分自推断不等式的KL散度正则项进行加权,减小KL散度正则项权重,用于提高重构项的训练稳定度。
3.根据权利要求1所述的基于多批次小样本航天产品的缺陷率指标修正方法,其特征在于,
使用k-means方法进行聚类时,旨在求解的优化问题为:
其中,聚类中心为U为中心个数;聚类参数tlu∈{0,1};对于l=1,…,N,均有U≤m。
4.根据权利要求1所述的基于多批次小样本航天产品的缺陷率指标修正方法,其特征在于,
l批质量数据和k批质量数据相似度slk为:
式中,为质量数据的有效特征xl和xk属于相同聚类的概率;/>为质量数据的有效特征xl和xk的差异性距离。
5.根据权利要求4所述的基于多批次小样本航天产品的缺陷率指标修正方法,其特征在于,
质量数据的有效特征xl和xk属于相同聚类的概率为:
其中,tlu和tku分别为在进行k-means聚类时,两批质量数据xl和xk对于聚类中心u的聚类参数。
6.根据权利要求4所述的基于多批次小样本航天产品的缺陷率指标修正方法,其特征在于,
质量数据的有效特征xl和xk的差异性距离为:
式中,w>0为预设的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310796861.4A CN116777292B (zh) | 2023-06-30 | 2023-06-30 | 基于多批次小样本航天产品的缺陷率指标修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310796861.4A CN116777292B (zh) | 2023-06-30 | 2023-06-30 | 基于多批次小样本航天产品的缺陷率指标修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116777292A CN116777292A (zh) | 2023-09-19 |
CN116777292B true CN116777292B (zh) | 2024-04-16 |
Family
ID=87991121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310796861.4A Active CN116777292B (zh) | 2023-06-30 | 2023-06-30 | 基于多批次小样本航天产品的缺陷率指标修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777292B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886388A (zh) * | 2019-01-09 | 2019-06-14 | 平安科技(深圳)有限公司 | 一种基于变分自编码器的训练样本数据扩充方法和装置 |
CN110378586A (zh) * | 2019-07-08 | 2019-10-25 | 国网山东省电力公司菏泽供电公司 | 基于动态闭环知识管理的变电设备缺陷预警方法及*** |
CN111126458A (zh) * | 2019-12-06 | 2020-05-08 | 北京京航计算通讯研究所 | 基于小样本的数据增强及神经网络对抗训练方法 |
WO2021137745A1 (en) * | 2019-12-30 | 2021-07-08 | Unibap Ab | A method for detection of imperfections in products |
CN113158955A (zh) * | 2021-04-30 | 2021-07-23 | 杭州电子科技大学 | 基于聚类引导和成对度量三元组损失的行人重识别方法 |
CN113313695A (zh) * | 2021-06-05 | 2021-08-27 | 西北工业大学 | 一种基于小样本航空发动机叶片ct图像的深度学习缺陷自动检测识别方法 |
CN115131347A (zh) * | 2022-08-29 | 2022-09-30 | 江苏茂融智能科技有限公司 | 一种用于锌合金零件加工的智能控制方法 |
CN115525771A (zh) * | 2022-09-29 | 2022-12-27 | 中国人民解放军战略支援部队信息工程大学 | 基于上下文数据增强的少样本知识图谱表示学习方法及*** |
CN116049157A (zh) * | 2023-01-04 | 2023-05-02 | 北京京航计算通讯研究所 | 一种质量数据分析方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230169325A1 (en) * | 2021-11-30 | 2023-06-01 | Baidu Usa Llc | Learning energy-based model with variational auto-encoder as amortized sampler |
-
2023
- 2023-06-30 CN CN202310796861.4A patent/CN116777292B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886388A (zh) * | 2019-01-09 | 2019-06-14 | 平安科技(深圳)有限公司 | 一种基于变分自编码器的训练样本数据扩充方法和装置 |
CN110378586A (zh) * | 2019-07-08 | 2019-10-25 | 国网山东省电力公司菏泽供电公司 | 基于动态闭环知识管理的变电设备缺陷预警方法及*** |
CN111126458A (zh) * | 2019-12-06 | 2020-05-08 | 北京京航计算通讯研究所 | 基于小样本的数据增强及神经网络对抗训练方法 |
WO2021137745A1 (en) * | 2019-12-30 | 2021-07-08 | Unibap Ab | A method for detection of imperfections in products |
CN113158955A (zh) * | 2021-04-30 | 2021-07-23 | 杭州电子科技大学 | 基于聚类引导和成对度量三元组损失的行人重识别方法 |
CN113313695A (zh) * | 2021-06-05 | 2021-08-27 | 西北工业大学 | 一种基于小样本航空发动机叶片ct图像的深度学习缺陷自动检测识别方法 |
CN115131347A (zh) * | 2022-08-29 | 2022-09-30 | 江苏茂融智能科技有限公司 | 一种用于锌合金零件加工的智能控制方法 |
CN115525771A (zh) * | 2022-09-29 | 2022-12-27 | 中国人民解放军战略支援部队信息工程大学 | 基于上下文数据增强的少样本知识图谱表示学习方法及*** |
CN116049157A (zh) * | 2023-01-04 | 2023-05-02 | 北京京航计算通讯研究所 | 一种质量数据分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116777292A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN111898839B (zh) | 电力用户的重要程度分类方法及装置 | |
CN113807422B (zh) | 融合多特征信息的加权图卷积神经网络评分预测模型 | |
CN112557034B (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
CN115983721B (zh) | 一种基于物联网大数据的电缆生产质量数据管理*** | |
CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
CN110544047A (zh) | 一种不良数据辨识方法 | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN112884570A (zh) | 一种模型安全性的确定方法、装置和设备 | |
CN110717602A (zh) | 一种基于噪音数据的机器学习模型鲁棒性评估方法 | |
CN113128612B (zh) | 电力数据中异常值的处理方法及终端设备 | |
CN116738297B (zh) | 一种基于深度自编码的糖尿病分型方法和*** | |
CN116384949B (zh) | 一种基于数字化管理的智慧政务信息数据管理*** | |
CN117076691A (zh) | 一种面向智慧社区的商品资源知识图谱算法模型 | |
CN116777292B (zh) | 基于多批次小样本航天产品的缺陷率指标修正方法 | |
CN116341290B (zh) | 一种长贮装备可靠性抽样检测方法 | |
CN113919610A (zh) | 低压台区线损预测用arima模型构建方法及评估方法 | |
CN117079017A (zh) | 可信的小样本图像识别分类方法 | |
CN113724197B (zh) | 基于元学习的螺纹旋合性判定方法 | |
CN115034443A (zh) | 一种基于工况划分与神经网络的锅炉性能预测方法 | |
CN114820074A (zh) | 基于机器学习的目标用户群体预测模型构建方法 | |
CN112001530A (zh) | 一种变压器油色谱在线监测装置预测性维护方法及*** | |
CN112926442B (zh) | 一种图像目标数据集均衡完备的构建方法 | |
CN115858765B (zh) | 一种基于数据对比分析的自动评分的智能考试平台 | |
CN117371861B (zh) | 基于数字化的家政服务质量智能分析方法及*** |
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 |