Jan, 2024

生成对抗小波神经运算器：多变量时间序列数据的故障检测和隔离应用

PDF
TL;DR提出了一种新的无监督深度学习方法，即生成对抗小波神经算子（GAWNO），用于多元时间序列过程的故障检测和隔离。该方法结合了小波神经算子和生成对抗网络（GANs）的优势，有效地捕捉底层系统中不同变量的时间分布和空间依赖关系，并通过基于重构误差的阈值方法来检测和隔离故障。通过在正常操作条件下的数据集上训练 GAWNO，并使用 Tennessee Eastman Process（TEP）数据集、Avedore 污水处理厂（WWTP）和 WWTPN2O 数据集验证了所提出的方法，结果显示相比文献中各种建立良好基线，将小波分析、神经算子和生成模型结合到一个框架中以检测和隔离故障的想法得到了有希望的结果。
发现论文，激发创造
  • 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

  • 通过生成对抗神经算子开展宽带地面运动合成：开发与验证

    我们提出了一个使用生成对抗神经运算器（GANO）、结合最新的机器学习技术和开放接入强动态数据集的数据驱动模型，能够根据震级（M）、破裂距离（Rrup）、顶部 30 米时间平均剪切波速度（VS30）以及构造环境或断层风格条件下生成三分量振动加速度时间历程的算法。我们使用神经运算器，这是一种具有分辨率不变性的架构，保证了模型训练与数据采样频率无关。我们首先介绍了条件地面运动合成算法（以下简称 cGM-GANO），并讨论了与以前工作相比的优势。接下来，我们使用南加州地震中心（SCEC）宽频平台（BBP）生成的模拟地面运动进行了 cGM-GANO 框架的验证。最后，我们在一个来自日本的 KiK-net 数据集上训练了 cGM-GANO，结果显示该框架能够恢复傅里叶幅度和伪谱加速度的震级、距离和 VS30 尺度。我们通过与经验数据集的残差分析以及与选定地面运动场景的传统地面运动模型（GMMs）进行比较来评估 cGM-GANO。结果显示 cGM-GANO 为相应构造环境产生一致的中位数尺度。在训练数据稀缺的情况下，在短距离上观察到最大的误差。除了短距离外，响应谱序列的混合变异性也能够很好地捕捉到，特别是对于俯冲事件由于训练数据的充分性。该框架的应用包括生成面向特定场地工程应用的风险定位地面运动。

    Sep, 2023

  • MAD-GAN：基于生成对抗网络的多元时序数据异常检测

    本文提出了一种基于生成对抗网络（GANs）的无监督多变量异常检测方法（MAD-GAN），并在 SWaT 和 WADI 数据集上进行了实验，结果表明该方法能够有效地检测这些系统中各种形式的入侵。

    Jan, 2019

  • 使用生成对抗网络进行多元时间序列异常检测

    利用生成对抗网络（GAN）进行复杂的网络型智能物理系统的异常检测，通过多个传感器和执行器的多元时间序列模型以及强化学习的方法识别出攻击行为，针对六级安全水处理系统实验结果表明在高检测率和低误报率方面具有较高的效率和准确性。

    Sep, 2018

  • 图波神经网络

    我们提出了一种图波形神经网络（GWNN），通过使用图小波变换来解决以往依赖于图傅里叶变换的图谱卷积神经网络（CNN）方法的缺点，这些方法需要进行高计算成本的矩阵特征分解。与图傅里叶变换不同的是，图小波变换可以通过快速算法获得，无需矩阵特征分解。此外，图小波在顶点域中稀疏且局部化，可以提供高效性和良好的图卷积可解释性。经过实验，GWNN 在三个基准数据集上均明显优于以往的图谱 CNNs，在图半监督分类任务上具有更好的性能。

    Apr, 2019

  • 一个基础的神经算子，持续学习且无遗忘

    本研究引入了神经组合小波神经算子（NCWNO）的概念作为科学计算的基础模型，该模型专为学习各种物理学中的解算符，并能快速适应新的挑战，同时在新的参数化偏微分方程上保持积极的迁移，通过一系列基准测试例子证明了 NCWNO 在预测阶段能够超过特定任务基准的算子学习框架。

    Oct, 2023

  • 生成对抗神经算子

    本研究提出了一种名为 GANO 的生成对抗神经操作器模型，可用于学习无限维函数空间上的概率。通过使用 Wasserstein 标准对其进行实例化，证明了其在真实世界函数数据上的优越性能。

    May, 2022

  • TAnoGAN：基于生成对抗网络的时间序列异常检测

    本文提出了一种用于时序数据异常检测的基于生成对抗神经网络的无监督方法 TAnoGan，实验结果表明其比传统及神经网络模型表现更好。

    Aug, 2020

  • 神经科学启发的科学机器学习（第二部分）：可变脉冲小波神经运算器

    我们提出了一种可变尖峰小波神经运算器 (VS-WNO)，旨在消除在力学应用中人工智能算法的理论与实际实现之间的差距。该算法基于尖峰神经网络的原理，具备节省能量的潜力，并能应对力学领域中经常遇到的回归任务。通过与使用泄漏整合和火神经元（直接和编码输入）的小波神经运算器及使用人工神经元的基准小波神经运算器进行对比，实验结果表明了该 VS-WNO 算法在促进稀疏通信的同时能够收敛到真值。

    Nov, 2023

  • 生成流引导的神经架构搜索：探索小波神经算子中的最佳结构

    我们提出了一种生成的流诱导神经架构搜索算法，使用简单的前馈神经网络学习随机策略生成超参数序列，通过最小化流违规和最大化终态奖励来训练架构搜索策略，在流之中生成了小波基础和激活序列，并通过流的生成路径来提高神经算子性能。

    May, 2024