一种基于生成对抗网络的工程数据增强算法制造技术

本发明专利技术公开了一种基于生成对抗网络的工程数据增强算法，旨在为研究人员提供足量的数据资料，从而进行更为准确的研究工作，所述方法包括：获取原始数据，原始数据进行“停机”数据的处理，降噪处理，归一化处理等数据预处理，得到一组平滑稳定的施工数据；将处理后的数据带入GAN生成对抗网络数据增强算法，利用生成器与判别器相互对抗原理进行数据增强；输出与原始数据分布相似的工程数据。本发明专利技术方法实现了数据预处理和数据增强的结合，去除了包括噪声在内的多组无用数据，并利用了生成对抗网络中的生成器与判别器对抗原理，实现了对施工机载数据的增强，解决了研究中数据匮乏的问题。解决了研究中数据匮乏的问题。解决了研究中数据匮乏的问题。

【技术实现步骤摘要】
一种基于生成对抗网络的工程数据增强算法


[0001]本专利技术涉及一种工程数据增强算法，具体涉及一种基于生成对抗网络的工程数据增强算法。

技术介绍

[0002]随着近些年来深度学习的发展，深度神经网络在分类任务上取得了革命性的突破。基于深度神经网络的分类器在有充足标签样本为训练数据的前提下可以达到很高的准确度。但是往往在一些场景下，有标签的数据难以收集或者获取这些数据成本高昂，费时费力。当数据不足时，神经网络很难稳定训练并且泛化能力较弱。
[0003]针对这一难题，来自蒙特利尔大学的Goodfellow教授提出一种基于生成对抗网络(GAN) 的深度学习方法，并将其应用于解决由于数据匮乏，神经网络难以训练的问题。生成对抗网络提出后，引起了广泛关注，学者们对模型进行了多方面的改进。Radford提出的深度卷积生成对抗网络将生成对抗网络与深度卷积进行了结合。模型去除了原始网络中的全连接层和池化层，对于生成器和判别器均使用批量正则化进行处理，加快了模型的训练时间，极大的提升了生成对抗网络的稳定性和图片的生成质量。生成对抗网络与其他的生成模型相比本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的工程数据增强算法，其特征在于，包括以下步骤：步骤1：原始数据预处理；去除数据中的异常数据与噪声数据以及筛选“停机”数据，使得工程数据更加平滑；通过降噪处理来降低数据中的噪声；步骤2：对预处理之后的数据进行归一化处理，避免由于原始数据中的单位与数值差异所带来的误差；步骤3：GAN模型的搭建与训练；建立GAN生成对抗网络数据增强算法，将数据预处理之后的数据带入模型进行训练；步骤4：模型的测试；将多组工程数据带入模型中进行训练，将结果与原始数据进行对比分析，得出准确结果，完成工程数据的数据增强；步骤5：模型的优化；通过改变参数和损失函数的形式，对模型进行优化，从而可以生成更为准确的结果。2.根据权利要求1所述的一种基于生成对抗网络的工程数据增强算法，其特征在于，步骤1中筛选“停机”数据是将原始数据进行“停机”数据的去除；采用以下公式来判断单条施工记录是否为“停机”数据，即TBM四个主要工作参数中的任何一个为零时，则认定当前施工记录为“停机”数据。P＝f(RSP)f(T)f(F)f(V)上式中，RSP为刀盘转速，T为刀盘扭矩，F为推进力，V为推进速度；函数的定义见下式:3.根据权利要求1所述的一种基于生成对抗网络的工程数据增强算法，其特征在于，所述步骤2对数据进行归一化处理指：设参数的数据集为{V0}，V
X
为数据集中的某一变量，归一化之后的结果为V：4.根据权利要求1所述的一种基于生成对抗网络的工程数据增强算法，其特征在于，所述步骤3GAN生成对抗网络模型包括生成器模型G和判别器模型D两个部分；全部由三层神经网络构成，其中神经网络的输入层、隐藏层、输出层皆由线性层组成，通过线性变换以及激活函数的非线性转换，实现满足所有情况的原始数据的增强工作；生成器G输入一组随机噪声，最终生成一组符合原始数据分布的工程数据；判别器D为二分类器，判别器的输入包括原始数据与生成器G生成的数据；输出一个标量，这个值越大，说明生成器生成的数据越符合原始数据。5.根据权利要求4所述的一种基于生成对抗网络的工程数据增强算法，其特征在于，所述的GAN生成对抗网络的原理为生成器G和判别器D的极大极小值博弈，其目标函数为：其中E()为损失函数，x为原始样本数据，z为数据生...

【专利技术属性】
技术研发人员：刘洋，申迎港，王浩成，张茜，蔡宗熙，
申请(专利权)人：天津大学，
类型：发明
国别省市：