Zobrazeno 1 - 10
of 74
pro vyhledávání: '"TimeGAN"'
Autor:
Yantao Ma, Jie Xue, Xinlong Feng, Jianping Zhao, Junhu Tang, Huaiwei Sun, Jingjing Chang, Longke Yan
Publikováno v:
Scientific Reports, Vol 14, Iss 1, Pp 1-15 (2024)
Abstract Enhancing crop water productivity is crucial for regional water resource management and agricultural sustainability, particularly in arid regions. However, evaluating the spatial heterogeneity and temporal dynamics of crop water productivity
Externí odkaz:
https://doaj.org/article/61c8ad557cda41ada84a582d12fdf180
Publikováno v:
Tongxin xuebao, Vol 45, Pp 185-200 (2024)
In order to improve the diagnostic performance and model generalization ability of the fault diagnosis model in data imbalance scenarios, a time series signal fault diagnosis method based on Nadam-TimeGAN and XGBoost was proposed. Firstly, the TimeGA
Externí odkaz:
https://doaj.org/article/4e8dc72f2346458886405040322ab8c8
Publikováno v:
Mathematical Biosciences and Engineering, Vol 21, Iss 3, Pp 4626-4647 (2024)
In addressing the key issues of the data imbalance within ECG signals and modeling optimization, we employed the TimeGAN network and a local attention mechanism based on the artificial bee colony optimization algorithm to enhance the performance and
Externí odkaz:
https://doaj.org/article/0b1e6e2e47b549938cb31344a49b1821
Publikováno v:
Journal of Modern Power Systems and Clean Energy, Vol 12, Iss 1, Pp 77-88 (2024)
This study proposes a hybrid network model based on data enhancement to address the problem of low accuracy in photovoltaic (PV) power prediction that arises due to insufficient data samples for new PV plants. First, a time-series generative adversar
Externí odkaz:
https://doaj.org/article/0217c4bb594e4a159e76ee28d420f2d4
Publikováno v:
Applied Sciences, Vol 14, Iss 19, p 8737 (2024)
When considering agricultural commodity transaction data, long sampling intervals or data sparsity may lead to small samples. Furthermore, training on small samples can lead to overfitting and makes it hard to capture the fine-grained fluctuations in
Externí odkaz:
https://doaj.org/article/9147f6c3c2074362927129db03145ab4
Publikováno v:
Applied Sciences, Vol 14, Iss 14, p 6088 (2024)
The advancements in artificial intelligence have encouraged the application of deep learning in various fields. However, the accuracy of deep learning algorithms is influenced by the quality of the dataset used. Therefore, a high-quality dataset is c
Externí odkaz:
https://doaj.org/article/34d0f4e127614c76a8fdcf1b7e722aff
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.