基于GAN的小样本腐蚀失厚率数据增强方法

目的 对小样本腐蚀失厚率数据进行数据增强,实现数据扩充,以提升后续分析模型的预测精度,减轻过拟合程度,并提升模型的泛化能力。方法 利用生成对抗网络(Generative Adversarial Networks,GAN)扩充腐蚀失厚率数据,使数据分布更加全面。对生成数据进行降维可视化分析,探究生成数据与原始数据样本的分布规律,分析数据增强合理性,并从多个算法模型、多个评价指标角度对分析预测能力、泛化能力进行评估。结果 生成数据填补了原始数据在样本空间分布的薄弱环节,加入生成数据后,各机器学习算法模型得出的MSE均值为未加入生成数据的61.72%~91.74%,皮尔逊均值为99.01%~113.64%,预测准确度提升,结果关联性更强,模型泛化能力增强。结论 GAN能有效对小样本腐蚀失厚率数据进行增强,数据扩充对分析预测提供正向支持,生成数据不宜多于原始数据,防止扰乱训练样本分布,同时存在生成数据多样性受限的问题。     

面向密闭空间内外温度的时序预测模型

目的 研究密闭空间条件下已知外部温度时间序列对内部实时温度的预测推理问题。方法 选取密闭空间内外温度时序预测典型场景,抽象为多变量时间序列预测问题,分析变量间的关联性和依赖性。借鉴特征融合、注意力机制、多任务模型等思路,结合物理机制与数据特征,基于长短期记忆网络基本网络单元,构建密闭空间内外温度时序预测模型,并在万宁、敦煌、漠河对某型密闭空间进行数据采样,基于三地数据集进行不同模型试验。结果 多变量模型比单变量模型具有更好性能,注意力机制对该场景没有显著性能提升,结合物理机制的模型结构设计充分考虑了变量之间的关联性和依赖性,能显著提升预测精度,双输入双输出的多变量时序预测模型具有相对最高的精度和最稳定的鲁棒性,是面向密闭空间内外温度时序预测的相对最优模型。结论 研究结论可指导密闭空间其他环境特征建模,研究思路可为其他多变量时序建模问题中变量之间的关联性、依赖性分析提供参考。     

自然环境试验元数据体系研究

目的 形成自然环境试验元数据体系,为数据资源提供完备的描述及合理的规则规范,为数据库设计开发、数据挖掘分析、数据共建共享等提供支持。方法 针对自然环境试验专业特点、数据类型以及应用需求,借鉴其他领域的元数据标准规范,梳理分析自然环境试验涉及的数据特征元素集合,划分自然环境试验元数据类别,评估元数据作用,形成自然环境试验元数据体系。结果 形成了覆盖数据集描述信息、要素参数信息、数据质量信息、维护信息、限制信息、数据集分发信息、元数据参考信息、数据应用成果信息共8个类别的自然环境试验元数据体系。结论 自然环境试验元数据具有资源描述、数据选择、信息检索、管理溯源、解释分析、储存入库等作用,为数据有效管理和共建共享提供了基础。本文提出的元数据体系为自然环境试验元数据标准提供了参考思路。