Jun, 2022

物理注脚的模糊生成对抗网络用于鲁棒性失效预测

PDF
TL;DR本论文提出了一种基于模糊逻辑和生成对抗网络的混合建模方法 - FuzzyGAN，该方法结合了基于物理的模型和数据驱动模型的优点，并在承载问题上显示出更准确的预后能力。
prognosticsmodelinghybrid approachfuzzy logicgenerative adversarial networks
发现论文，激发创造
  • 融合基于物理和深度学习模型的预测

    本研究提出一种利用深度学习算法和基于物理性能模型的信息相结合的方法，针对实际场景下复杂的关键安全系统进行预测，实验结果表明这种混合框架比仅依靠数据驱动方法能够将预测范围延长近 127％。

    Mar, 2020

  • 生成对抗网络用于故障预测

    这篇论文提出了一种利用生成式对抗网络的故障预测新算法 (GAN-FP)，该算法可以应用于机器学习算法解决的高度不平衡数据的故障预测问题，利用两个 GAN 网络同时生成训练样本并构建一个推理网络，以预测新样本的故障情况。

    Oct, 2019

  • 基于物理学的生成对抗模型用于图像修复及其它领域

    该研究提出了一种基于生成模型和对抗学习的图像恢复算法，并通过物理模型约束学习提高了生成对抗网络的图像生成质量，具有在多种低级视觉问题中应用的广泛适用性。

    Aug, 2018

  • 运用物理引导的生成对抗网络学习物理模型

    本文讨论了如何使用物理引导生成对抗网络（PG-GAN）来解决深度神经网络输出不满足物理方程问题的方法。

    Apr, 2023

  • 基于受控物理信息的数据生成，用于基于深度学习的未见过操作条件下的剩余寿命预测

    提出了一种基于物理学信息生成和深度学习预测模型的新型混合框架，其中包括一个新的受控物理学信息生成对抗网络 (CPI-GAN)，该网络使用五个基本物理约束条件将生成的合成降级轨迹的变化趋势保持一致并提高了剩余寿命预测的准确性。与商业模块化航空推进系统模拟 (N-CMAPSS) 的实验结果表明，该框架能够产生与基础降级趋势一致的合成 TTF 轨迹，进而显著提高了剩余寿命预测的准确性。

    Apr, 2023

  • 基于深度学习预测的对抗样本制作（扩展版）

    通过对 Prognostics and Health Management (PHM) 系统进行敌对样本攻击测试，本论文发现 IoT 传感器和 DL 算法都容易受到攻击，这可能导致 PHM 系统出现严重缺陷，从而减少设备的使用寿命。

    Sep, 2020

  • 概率生成对抗网络

    本篇文章介绍了基于概率生成对抗网络 (PGAN) 的新型 GAN 变体， 它将概率模型 (在本例中是高斯混合模型) 整合到 GAN 框架中，从而支持一种新的损失函数，并提供一种有意义的衡量网络生成输出质量的方法，实验证明 MNIST 数据集的 PGAN 能够生成逼真的图像并计算出与生成图像质量相关的似然度，同时 PGAN 在处理 GAN 训练过程中通常存在的稳定性问题方面具有更好的性能。

    Aug, 2017

  • 基于对抗学习的互动感知多智能体跟踪和概率行为预测

    使用对抗生成网络 (GAN) 提出一个通用的多智能体概率预测和跟踪框架，可以更好的对多个实体之间的交互行为进行预测，并在实际车辆行为预测中取得了比传统监督学习更好的性能。

    Apr, 2019

  • 物理引导神经网络中的对抗不确定性量化

    本文提出了一种基于物理启发式神经网络的深度学习框架，用于量化和传播受非线性微分方程支配的系统中的不确定性。通过建立概率表示，对系统状态进行训练以满足给定的物理定律表达式，并提供了一种有效训练深度生成模型作为物理系统的代理的规范化机制，在这些系统中，数据采集成本高，训练数据集通常较小。该框架提供了一种灵活的方式，用于因输入随机性或观测噪声而导致的物理系统输出不确定性的表征，完全绕过了重复采样昂贵的实验或数值模拟器的需求。作者通过一系列例子证明了方法的有效性，这些例子涉及非线性守恒定律中的不确定性传播以及直接从嘈杂的数据中发现流体通过多孔介质的本构规律。

    Nov, 2018

  • 稳健电池预测的概率融合方法探索

    本研究采用贝叶斯集成学习方法，结合神经网络和贝叶斯建模概念，预测锂离子电池容量衰减，同时量化电池设计和老化过程所带来的不确定性，实现了对复杂、遥远和可靠操作自主系统潜力的准确预测。

    May, 2024