Apr, 2023

基于多模块的条件变分自编码器预测 SNS 加速器中的 HVCM 故障

PDF
TL;DR利用基于条件变分自编码器的多模块框架检测来自多个高压换流器调制器的电力信号中的异常。通过以特定的换流器类型为条件模型，可以捕获正常波形的不同表示，并在给定模块类型的样本有限时提高模型对特定故障的敏感性。研究了几种神经网络架构用于我们的 CVAE 模型，并通过观察其稳定性和泛化性能来评估模型性能。通过实验室实验数据表明，训练模型能够很好地推广到多个高压换流器模块类型的多个故障类型检测。这项研究的结果可以用于提高高压换流器调制器的可靠性和整体的 SNS 连续运行时间。
anomaly detectionconditional variational autoencoderneural networkshigh voltage converter modulatorsspallation neutron source
发现论文，激发创造
  • 粒子加速器条件建模下的健壮性错误光束预测

    利用有监督机器学习方法，特别是孪生神经网络模型，来预测粒子加速器的异常行为，提高其可用性。

    Nov, 2023

  • 使用变分自编码器和单类支持向量机进行半监督结构损伤检测

    本篇论文提出了一种半监督方法，其中利用数据驱动方法的人工神经网络 (ANNs) 在未受损结构条件下训练以检测结构损伤，然后采用变分自动编码器 (VAE) 近似无损数据分布和单类支持向量机 (OC-SVM) 区分使用从 VAE 信号重建提取的损伤敏感特征的不同健康条件，该方法应用于 IASC-ASCE 结构健康监测任务组测试的一个规模钢结构中的九种损伤情况。

    Oct, 2022

  • 基于分层条件变分自编码器的声学异常检测

    该研究旨在开发一种基于声学信号的无监督异常检测方法，提出了一种名为 HCVAE 的新方法，利用可用的分类层次知识来完善潜空间表示，提高异常检测性能，并在不同领域进行实证研究，其性能優于基线系统 15％的 AUC 得分。

    Jun, 2022

  • 用于工业网络物理系统中稳健、基于物理的网络攻击识别的变分自编码器框架

    基于数据驱动的框架，结合变分自编码器 (VAE)、循环神经网络 (RNN) 和深度神经网络 (DNN)，用于检测、诊断和定位网络工业控制系统中的隐蔽攻击。通过在网络化的电力传输系统上进行仿真研究，我们评估了该方法的性能，并与传统基于模型的方法进行比较，以展示其适用性和效力。

    Oct, 2023

  • 条件变分自编码器进行异常检测

    本文探讨了如何使用变分贝叶斯和变分自编码器（VAEs）进行异常检测（AD）任务，提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机（LHC）实验的触发系统等应用中表现出卓越的性能。

    Oct, 2020

  • CVAE-H: 基于超网络和轨迹预测的条件化变分自编码器用于自动驾驶

    本研究致力于解决无人驾驶中的预测难题，提出了一种概率化、多模态、上下文驱动和通用的条件变分自编码器。通过大量运用超网络，这种 VAE 能够执行高维问题的生成任务，并在各个环境中更加准确地预测道路情况。

    Jan, 2022

  • 通过有条件深度生成模型作为结构健康监测应用中空间场解重建的替代模型，且能够量化其不确定性

    本文中介绍基于条件深度生成模型和卷积神经网络的 CVAE 方法，旨在构建适用于高维数据和具有不确定性的结构健康监测的模型。在两个与结构健康监测相关的数字示例中，模型具有高重构精度和较好的抗负载能力。

    Feb, 2023

  • SLAC Linac 相干光源的弹性 VAE：无监督异常检测

    利用深度学习进行异常检测的方法取得了显著进展。本文介绍了 Resilient Variational Autoencoder (ResVAE)，这是一个特别设计用于异常检测的深度生成模型。通过在 SLAC Linac Coherent Light Source (LCLS) 的加速器状态中应用我们的方法，我们展示了 ResVAE 在识别加速器中各种可见异常的杰出能力。

    Sep, 2023

  • 变分异方差波动模型

    本研究提出了一种名为 VHVM 的端到端神经网络体系结构，能够对多元金融时间序列中的异方差行为进行建模，并在多元外汇数据集上展示了其对比 GARCH 和 SV 模型的有效性。

    Apr, 2022

  • 一种新型的水电机组故障定位与数据优化方法

    基于稀疏自编码器（SAE）- 生成对抗网络（GAN）- 小波降噪（WNR）- 流形增强深度学习（SG-WMBDL）的水电站故障定位方法，通过提供高质量样本数据、降噪和捕捉局部特征，结合自适应增强的多深度学习，实现了具有非线性和非平滑特性的水电站故障的精准定位。

    May, 2024