GAN-MDF：数字孪生中一种多保真数据融合方法
机器学习
2021-06-29 v1
摘要
物联网（IoT）收集物理系统（如智能工厂、智能机器人和医疗系统）的实时数据，并为数字孪生提供必要的支撑。依据质量与精度，这些多源数据被划分为不同的保真度级别。高保真（HF）响应能准确描述目标系统但计算代价高昂。相比之下，低保真（LF）响应计算成本低但无法满足所需精度。多保真数据融合（MDF）方法旨在利用海量 LF 样本与少量 HF 样本，以合理计算负担建立准确高效的系统描述模型。本文提出一种用于数字孪生中 MDF 的新型生成对抗网络（GAN-MDF）。GAN-MDF 的生成器由两个子网络组成：一个从输入中提取 LF 特征；另一个将输入与提取的 LF 特征整合，构成后续判别器的输入。GAN-MDF 的判别器用于辨识生成器输出是否为 HF 模型生成的真实样本。为增强 GAN-MDF 训练的稳定性，我们还引入监督损失技巧，在对抗训练的每次迭代中细化生成器权重。与现有最优方法相比，所提 GAN-MDF 具有以下优势：1）在嵌套或非嵌套样本结构下均表现良好；2）对数据分布无特定假设；3）即使在极少 HF 样本下仍具有高鲁棒性。实验结果亦支持了 GAN-MDF 的有效性。
引用
@article{arxiv.2106.14655,
title = {GAN-MDF: A Method for Multi-fidelity Data Fusion in Digital Twins},
author = {Lixue Liu and Chao Zhang and Dacheng Tao},
journal= {arXiv preprint arXiv:2106.14655},
year = {2021}
}