基于谱约束的生成对抗网络图像数据生成研究

数据匮乏是深度学习面临的一大难题。利用生成对抗网络(GAN)能够基于语义生成新的图像数据这一特性,提出一种基于谱约束的生成对抗网络图像数据生成方法,该方法针对卷积生成对抗网络模型易崩溃不收敛的问题,从每层神经网络的参数矩阵W的谱范数角度出发,引入谱范数归一化网络参数矩阵,将网络梯度限制在固定范围内,减缓判别网络收敛速度,从而提高GAN的训练稳定性。实验表明,通过该方法生成的数据相比原始GAN以及DCGAN、WGAN等生成的图像样本数据在图像识别网络中具有更高的准确率,能够对少量样本数据进行有效扩充。     

基于多鉴别器生成对抗网络的时间序列生成模型

针对时间序列的隐私性和连续性导致时间序列数据集在收集过程中存在收集代价昂贵和数据缺失等问题,提出了一种基于循环神经网络的多鉴别器生成对抗网络模型,该模型能够利用小规模数据集合成得到与真实数据相似分布的时间序列数据集。多鉴别器包含时域、频域、时频域和自相关4种鉴别器,能够充分识别时间序列不同维度下的特征。在实验中,通过损失函数的收敛分析、主成分分析和误差分析,分别从定性和定量的角度对模型进行性能评估。结果表明,所提模型和其他参考模型相比具有更好的性能。     

基于条件生成对抗网络的信号生成技术

通信信号生成通常也叫信号重构,信号重构在欺骗干扰、环境构建等方面具有广泛应用,而生成对抗网络的提出为通信领域中的信号重构带来了新思路。文中利用生成对抗网络,在不对通信信号进行参数测量与特征分析的情况下,实现通信模拟调制信号的生成,并加入监督学习,使用有标签的数据集,在WGAN-GP的基础上构建CGAN与ACGAN两种网络模型进行模拟调制信号的生成,并在训练完成的生成器中通过指定标签生成特定调制样式的通信信号,最后经过对比分析,基于ACGAN的模拟调制信号生成的质量更优。     

基于生成对抗网络的差分隐私数据发布方法

机器学习的飞速发展使其成为数据挖掘领域最有效的工具之一,但算法的训练过程往往需要大量的用户数据,给用户带来了极大的隐私泄漏风险.由于数据统计特征的复杂性及语义丰富性,传统隐私数据发布方法往往需要对原始数据进行过度清洗,导致数据可用性低而难以再适用于数据挖掘任务.为此,提出了一种基于生成对抗网络（Generative Adversarial Network,GAN）的差分隐私数据发布方法,通过在GAN模型训练的梯度上添加精心设计的噪声来实现差分隐私,确保GAN可无限量生成符合源数据统计特性且不泄露隐私的合成数据.针对现有同类方法合成数据质量低、模型收敛缓慢等问题,设计多种优化策略来灵活调整隐私预算分配并减小总体噪声规模,同时从理论上证明了合成数据严格满足差分隐私特性.在公开数据集上与现有方法进行实验对比,结果表明本方法能够更高效地生成质量更高的隐私保护数据,适用于多种数据分析任务.     

基于空间特征的生成对抗网络数据生成方法

传统的生成对抗网络(GAN)在特征图较大的情况下,忽略了原始特征的表示和结构信息,并且生成图像的像素之间缺乏远距离相关性,从而导致生成的图像质量较低。为了进一步提高生成图像的质量,该文提出一种基于空间特征的生成对抗网络数据生成方法(SF-GAN)。该方法首先将空间金字塔网络加入生成器和判别器,来更好地捕捉图像的边缘等重要的描述信息;然后将生成器和判别器进行特征加强,来建模像素之间的远距离相关性。使用CelebA,SVHN,CIFAR-10等小规模数据集进行实验,通过定性和盗梦空间得分(IS)、弗雷歇距离(FID)定量评估证明了所提方法相比梯度惩罚生成对抗网络(WGAN-GP)、自注意力生成对抗网络(SAGAN)能使生成的图像具有更高的质量。并且通过实验证明了该方法生成的数据能够进一步提升分类模型的训练效果。     

少样本条件下基于生成对抗网络的遥感图像数据增强

针对小样本条件下遥感图像目标的检测精度受到卷积神经网络过拟合影响的问题,提出一种基于生成对抗网络的数据增强方法,利用判别模型为生成模型同时提供图像的局部决策与全局决策,以提高生成模型生成图像的质量,并将生成的目标与训练集图像进行融合得到新的样本,且新生成的样本不需人工标注.实验结果表明,在原始数据中加入生成数据后,检测...     

基于深度生成对抗网络的海杂波数据增强方法

海杂波数据稀缺,获取海杂波数据成本高、周期长,极大地限制了海杂波特性研究及海洋遥感应用.该文主要研究了基于深度生成性对抗网络(GAN)的海杂波数据生成方法,通过扩展传统的GAN框架,形成了1维海杂波数据生成和鉴别模型,基于实测海杂波数据集,进行对抗网络生成和鉴别模型训练,分析了生成模型所生成的海杂波数据的幅度分布特性和...     

基于深度生成对抗网络的海杂波数据增强方法

海杂波数据稀缺,获取海杂波数据成本高、周期长,极大地限制了海杂波特性研究及海洋遥感应用.该文主要研究了基于深度生成性对抗网络(GAN)的海杂波数据生成方法,通过扩展传统的GAN框架,形成了1维海杂波数据生成和鉴别模型,基于实测海杂波数据集,进行对抗网络生成和鉴别模型训练,分析了生成模型所生成的海杂波数据的幅度分布特性和时间、空间相关性.基于实测数据验证了该方法能够生成更多、更多样、与真实海杂波数据分布相近的海杂波数据.     

基于生成对抗网络的人脸属性图像生成

生成对抗神经网络是目前深度学习的热门研究方向,而人脸属性生成是重要研究分支之一,为解决目前关于人脸属性生成时导致背景出现颜色变化、扭曲、模糊,并且人脸生成后出现图片失真和其它面部属性有不同程度的变化,通过改进STGAN的网络结构,主要改进其网络归一化层,使得网络训练属性的精确度更高方法,合理控制属性幅度从而提高生成效果...     

基于生成对抗网络的数据增强方法及应用

对于小样本电磁信号识别,数据增强是一种最为直观的对策。利用生成对抗网络(GAN)产生虚假信号样本,设计粗粒度和细粒度筛选机制对生成信号进行筛选,剔除质量较差的生成信号,实现训练样本集的有效扩充。为验证所提数据增强算法的有效性,在RADIOML2016.04C数据集上进行测试。实验结果表明,本文所提方法对小样本电磁信号识别准确率有较好的提升效果。     

一种基于生成对抗网络的电波传播数据增强方法

电波传播模型是频谱管理、通信领域的关键研究内容。能否精准刻画电波传播模型,将直接影响传播损耗计算、频谱态势生成等实际效果。模型研究需电磁环境感知数据支撑,而现有电磁环境感知数据稀缺,采集困难,且往往只关注场强等表征信道特性的要素,因此研究了一种基于生成对抗网络的电波传播数据增强方法。该方法由经纬度获取测量点高程信息和卫星图像,并联合经纬度基于条件生成对抗网络对卫星图像增强,获得包含信道特性和地形变化的联合数据集。结果表明,在相同电波传播预测模型下,采用该方法生成的数据集预测精度提高2.7%,使得传播模型构建具备了更多的数据支撑。     

一种基于生成对抗网络的三维目标生成方法

文章提出了一种基于生成对抗网络(Generative Adversarial Networks, GAN)的三维目标生成算法,能从符合高斯正态分布的随机数中生成目标的三维图像。首先,将随机噪声输入生成器,经过一系列的卷积和Transformer块运算后,生成器生成对应目标的三维图像,然后判别器对生成的目标图像和真实的目标图像进行二值判别。通过生成器和判别器的交替训练,不断提升生成器生成三维目标的质量,最终达到准确的生成性能。     

基于双通道生成对抗网络的镜片缺陷数据增强

针对小样本条件下深度学习缺陷检测算法识别率较低的问题,提出一种基于双通道生成对抗网络的数据增强方法.由全局鉴别层和局部鉴别层两通道组成生成对抗网络,其中局部鉴别器可以增加缺陷类型的置信度损失,实现对局部信息的增强.采用所提方法在镜片缺陷图像数据集上进行实验.实验结果表明,所提方法的最近邻留一指标、最大均值差异和Wass...     

基于矩阵补全的无线传感器网络收集数据重建方法

许多自然科学研究都利用无线传感器网络收集环境数据。收集数据的完整性和准确性决定科研结果的可靠性。然而,由于无线传感器网络的固有特性,数据收集过程中通常会出现数据丢失和数据错误等问题。为提升收集数据可用性,需要从含有错误元素的不完整数据集中恢复缺失的数据。利用环境数据的低秩特性,提出一种基于弹性网正则化的结构化噪声矩阵补全算法（EnRMC）,实现对缺失数据有效恢复,同时能精确判断收集到错误数据的传感器节点。利用真实数据进行仿真,实验结果表明本文算法性能优于现有算法,能以较高的精度重建环境数据。     

基于对抗生成网络的纹理合成方法

纹理合成是计算机图形学、计算机视觉和图像处理领域的研究热点之一。传统的纹理合成方法往往通过提取有效的特征样式或统计量并在该特征信息的约束下生成随机图像来实现。对抗生成网络作为一种较新的深度网络形式,通过生成器和判别器的对抗训练能够随机生成与观测数据具有相同分布的新数据。鉴于此,提出了一种基于对抗生成网络的纹理合成方法。该算法的优点是不需要经过多次迭代就能够生成更真实纹理图像,且生成图像在视觉上与观测纹理图像一致的同时具有一定随机性。一系列针对随机纹理和结构性纹理的合成实验验证了该算法的有效性。     

基于生成对抗网络技术的医疗仿真数据生成方法

对结构化电子健康档案中行的概率分布进行建模并生成仿真数据非常困难,因为表格数据通常包含定类列,传统编码方式可能产生特征维数灾难的问题,从而使建模异常困难。针对这一问题,提出利用庞加莱球模型建模医疗分类特征的层级结构,并采用高斯耦合的生成对抗网络技术合成结构化的电子健康档案。实验表明,该方法生成的训练数据能够在保证隐私性的前提下,实现与原始数据仅相差2%的可用性差异。     

基于生成对抗网络的舰船辐射噪声分类方法研究

基于机器学习的舰船目标识别近年来已成为水声信号处理领域的一个重要研究方向,但水声目标信号的获取困难,样本量不足和不均衡的问题很容易导致目标分类模型的识别效果不佳。该文提出一种基于条件卷积生成对抗网络的船舶噪声数据分类方法,该方法利用生成对抗学习理论,生成相比于传统数据增强算法非线性特征更强,特征差异更丰富的伪DEMON调制谱数据来缓解训练样本量不足的问题。之后将传统生成对抗网络中的全连层输出替换成更善于解决小样本问题集成分类器,从而降低分类器对于数据量的依赖程度,进一步提高分类模型性能。最终由基于真实样本的实验结果表明,相比于传统数据增强算法和卷积生成对抗网络,该文方法能够更有效提高在样本不足条件下的模型的分类性能。     

基于生成对抗网络的轴承失效信号生成研究

在基于数据驱动的机械系统故障诊断领域中,关于特征提取和诊断模型已经取得了一定的进展。但在整套诊断进程中,失效信号的缺失一直是诊断中不可避免的问题。结合在图像处理领域卓有成效的GAN模型,文中以生成信号和真实信号间的概率分布对比作为部分超参数的选择依据,以轴承正常阶段信号作为模型的输入信号,以轴承仿真信号作为生成的目标,同时结合正常阶段的机械特性和仿真信号的故障特性进行失效信号的生成。通过概分布、包络谱、峭度及裕度特征的全寿命拟合曲线等方法验证了生成的信号比仿真信号更接近真实失效信号。