XiaoMi-AI文件搜索系统
World File Search SystemCWGAN
基于物理的野火融合的生成算法...
摘要：野生活动的增加以及产生的影响促使人们开发了高分辨率的野生行为模型，以预测蔓延。使用卫星检测火灾位置的最新进展进一步提供了使用测量结果来改善通过数据同化来改善数值模型的差异预测的机会。这项工作开发了一种具有物理信息的方法，可以从卫星测量中推断野生燃料的历史，从而提供必要的信息，以初始化耦合的气氛 - 从测得的野生野生状态的野生模型。到达时间是到达给定的空间位置的时间，它是野生火灾历史的简洁表示。在这项工作中，经过WRF - SFIRE模拟训练的有条件的Wasserstein生成对抗网络（CWGAN）用于从卫星主动数据中推断出到达的时间。CWGAN用于从给定卫星主动检测的到达时间的条件分布中产生可能到达时间的样本。由CWGAN产生的样品进一步用于评估预测的不确定性。在2020年至2022年之间，对四个加利福尼亚野生火力进行了测试，并将预测与高分辨率机载红外措施进行比较。此外，将预测的点火时间与报告的点火时间进行了比较。平均Sørensen的系数为0.81，用于固定器的周围和32分钟的平均点火时间差表明该方法非常准确。
使用 GAN 和 LSTM 网络根据 EEG 和 EOG 信号检测驾驶员睡意
近年来，驾驶时困倦已成为交通事故的主要原因。然而，我们对评估驾驶员困倦的电生理指标知之甚少。前期研究和我们的研究表明，alpha 阻断现象和 alpha 波衰减-消失现象分别代表两种不同的困倦程度，即放松觉醒和睡眠开始。本文提出了一种基于脑电图 (EEG) 和眼电图 (EOG) 信号的驾驶员困倦检测新模型。我们的模型旨在跟踪 alpha 波的变化并区分这两种与 alpha 相关的现象。采用连续小波变换从时域和频域中的生理信号中提取特征。同时，引入长短期记忆 (LSTM) 网络来处理 EEG 和 EOG 信号的时间信息。为了解决生理样本不足的问题，使用生成对抗网络 (GAN) 来扩充训练数据集。实验结果表明，检测 alpha 波起点和终点的 F1 得分达到 95% 左右。我们采用的条件 Wasserstein GAN (CWGAN) 可以有效扩充数据集并提高分类器性能。同时，我们的 LSTM 分类器在留一交叉验证下对 alpha 波终点进行分类的平均准确率为 98%。
利用深度生成模型增强基于脑电图的情绪识别的数据增强
摘要 目的. 脑电图 (EEG) 情绪识别中的数据稀缺问题导致难以使用机器学习算法或深度神经网络构建高精度的情感模型。受新兴深度生成模型的启发，我们提出了三种增强 EEG 训练数据的方法，以提高情绪识别模型的性能。方法. 我们提出的方法基于两个深度生成模型，变分自编码器 (VAE) 和生成对抗网络 (GAN)，以及两种数据增强方式，即全部使用和部分使用策略。对于全部使用策略，所有生成的数据都会被增强到训练数据集中，而不会判断生成数据的质量；而对于部分使用策略，仅选择高质量数据并附加到训练数据集。这三种方法称为条件 Wasserstein GAN (cWGAN)、选择性 VAE (sVAE) 和选择性 WGAN (sWGAN)。主要结果. 为了评估这些提出方法的有效性，我们对两个用于情绪识别的公共 EEG 数据集（即 SEED 和 DEAP）进行了系统的实验研究。我们首先以两种形式生成逼真的脑电图训练数据：功率谱密度和差分熵。然后，我们用不同数量的生成逼真的脑电图数据扩充原始训练数据集。最后，我们训练支持向量机和具有快捷层的深度神经网络，使用原始和扩充的训练数据集构建情感模型。实验结果表明，我们提出的基于生成模型的数据增强方法优于现有的数据增强方法，如条件 VAE、高斯噪声和旋转数据增强。我们还观察到，生成的数据数量应小于原始训练数据集的 10 倍才能达到最佳性能。意义。我们提出的 sWGAN 方法生成的增强训练数据集显著提高了基于脑电图的情绪识别模型的性能。