典型文献
一种基于TimeGAN和OCSVM的多元退化设备小子样数据增广方法
文献摘要：
工作在复杂环境下的多元退化设备面临失效数据少、多源信息融合准确度低和监督学习数据不平衡等问题,对此本文提出一种基于时间序列生成对抗网络(Time-series Generative Adversarial Networks,TimeGAN)与单分类支持向量机(One-Class Support Vector Machine,OCSVM)组合模型的小子样数据增广方法.方法引入了TimeGAN模型拟合真实数据时间序列相关性,从而生成新的多元退化设备数据.本文提出了一种基于最大均值差异改进方法的可信度判据,避免强相关特征对生成数据质量评价的影响,通过使用T-分布随机邻近嵌入(T-distributed Stochastic Neighbor Embedding,T-SNE)和全局最大均值差异(Global Maximum Mean Discrepancy,GMMD)的组合方法,定性定量地评价生成数据的质量水平.基于训练后的OCSVM模型,对生成数据进行异常检测与剔除,进一步提高生成数据的质量.以航空发动机数据集C-MAPSS为例进行方法验证分析,通过与其他数据增强模型对比验证了所提方法的可行性和有效性.
文献关键词：
小子样数据;数据增广;多元退化设备;时间序列生成对抗网络;单分类支持向量机
中图分类号：
作者姓名：
孙晨峰;吕卫民;戴洪德;张浩晨
作者机构：
海军航空大学岸防兵学院,山东烟台264000;西北工业大学机电学院,陕西西安710000
文献出处：
引用格式：
[1]孙晨峰;吕卫民;戴洪德;张浩晨-.一种基于TimeGAN和OCSVM的多元退化设备小子样数据增广方法)[J].电子学报,2022(11):2678-2687
A类：
多元退化设备,小子样数据,时间序列生成对抗网络,GMMD
B类：
TimeGAN,OCSVM,数据增广,复杂环境,失效数据,多源信息融合,监督学习,学习数据,数据不平衡,series,Generative,Adversarial,Networks,单分类支持向量机,One,Class,Support,Vector,Machine,组合模型,模型拟合,真实数据,序列相关,最大均值差异,改进方法,可信度,判据,免强,数据质量评价,distributed,Stochastic,Neighbor,Embedding,SNE,Global,Maximum,Mean,Discrepancy,组合方法,定性定量,质量水平,异常检测,航空发动机,MAPSS,方法验证,验证分析,数据增强,增强模型,模型对比,对比验证
AB值：
0.354359
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
