买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本公开提供了一种改进GAIN修补多传感数据均随机缺失的方法及装置，该改进GAIN包括生成器和判别器，生成器和判别器均包括由卷积神经网络组成的编码器‑解码器架构，且在生成器中集成自注意力机制，使网络更多注意力集中在重要特征，增强网络提取全局特征的能力。生成器和判别器中均设置有跳跃连接，能够缓解梯度消失的问题，提高特征的利用率。该方法通过采用不完整数据矩阵对改进GAIN进行训练，该不完整数据矩阵中对应于各传感器的数据均存在随机部分缺失。由此，根据训练完成的生成器对实际采集得到的传感器数据进行数据修补，可以保证其对所有传感器的缺失数据的修补效果。

主权项：1.一种改进GAIN修补多传感数据均随机缺失的方法，用于实现多传感数据均存在随机缺失下，对所有传感器的缺失数据进行修补，其特征在于，所述改进GAIN包括生成器和判别器，所述生成器和所述判别器均由具有编码器-解码器架构的卷积神经网络构建以增强网络的学习和表达能力；所述生成器的编码器与解码器之间嵌入有自注意力机制以提取重要特征，且所述生成器和判别器中均引入有跳跃连接技术，以缓解梯度消失的问题和提高特征的利用率；所述方法包括：构建所有传感器数据均存在随机缺失的不完整数据矩阵，并基于所述不完整数据矩阵构建其对应的掩码矩阵和随机噪声矩阵，所述掩码矩阵中与所述不完整数据矩阵中的数据缺失位置对应的位置的值为0，其余位置为1；所述随机噪声矩阵在原始数据缺失位置填充服从-0.01到0.01均匀分布的值；基于所述掩码矩阵构建提示矩阵，在所述提示矩阵中，1表示观测到的原始数据，0表示缺失数据，0.5表示需要网络判断的数据；根据具有编码器-解码器架构的卷积神经网络构建所述生成器，所述生成器包括卷积层、池化层、自注意力层、批归一化层和上采样层；所述卷积层用于提取数据的高级局部特征；所述池化层用于降低数据特征的维度减少参数的数量以抑制过拟合问题；所述上采样层在解码器阶段用于恢复特征大小和通道的维度；所述批归一化层用于使网络训练更加稳定，提高模型的泛化能力；并且，在生成器的编码器和解码器之间嵌入自注意力层以提升网络捕捉全局特征的能力；在所述生成器的编码器和解码器间引入跳跃连接技术，以将底层的特征传递给解码器阶段，缓解梯度消失的问题；根据具有编码器-解码器架构的卷积神经网络构建所述判别器，所述判别器包括卷积层、池化层、批归一化层及上采样层；在所述判别器的编码器和解码器之间引入跳跃连接，以利于底层细节特征的保存，并缓解梯度消失的问题；将所述不完整数据矩阵、所述掩码矩阵以及随机噪声矩阵作为待训练的所述生成器的输入，以使所述生成器根据输入对所述不完整数据矩阵中的数据缺失位置进行数值修补，进而将原始数据中未缺失部分的数据和生成器在原数据缺失位置预测的数据相结合，得到所述生成器输出的数据预测矩阵；将所述数据预测矩阵，以及所述提示矩阵输入至待训练的所述判别器中，以使所述判别器根据所述数据预测矩阵对每个位置数据真假的概率进行预测；在所述判别器判断数据真假的过程中，所述提示矩阵向所述判别器提供一些关于真实数据的信息，以使判别器强迫生成器学习到期望的数据分布；通过对抗训练，提高所述生成器所生成的数据预测矩阵对所述判别器的欺骗性以及提高判别器对数据预测矩阵中数据真伪判别的准确性；根据训练完成的所述生成器对实际采集得到的所有传感器均存在随机缺失的不完整数据进行数据修补。

全文数据：

权利要求：

百度查询： 厦门大学 改进GAIN修补多传感数据均随机缺失的方法及装置