基于条件生成式对抗网络的数据增强方法

深度卷积神经网络(CNN)在大规模带有标签的数据集训练下,训练后模型能够取得高的识别率或好的分类效果,而利用较小规模数据集训练CNN模型则通常出现过拟合现象。针对这一问题,提出了一种集成高斯混合模型(GMM)及条件生成式对抗网络(CGAN)的数据增强方法并记作GMM-CGAN。首先,通过围绕核心区域随机滑动采样的方法增加数据集样本数量;其次,假定噪声随机向量服从GMM描述的分布,将它作为CGAN生成器的初始输入,图像标签作为CGAN条件,训练CGAN以及GMM模型的参数;最后,利用已训练CGAN生成符合样本真实分布的新数据集。对包含12种雾型386个样本的天气形势图基准集利用GMM-CGAN方法进行数据增强,增强后的数据集样本数多达38600个,将该数据集训练的CNN模型与仅使用仿射变换增强的数据集及CGAN方法增强的数据集训练的CNN模型相比,实验结果表明,前者的平均分类正确率相较于后两个模型分别提高了18.2%及14.1%,达到89.1%。

环与其商环的若干类理想

本文讨论一个环R与其商环R/I之间关于若干类理想的关系.设I■K■R且K是R的理想,我们证明了K是R的二素理想(强素理想,左T-幂零理想,根对称理想)当且仅当K/I是商环R/I的二素理想(强素理想,左T-幂零理想,根对称理想).

大气污染评价与预报模型

本文对空气质量的评价及污染预报问题进行了分析,运用层次分析法依据处理后的数据对四个城市的空气质量进行了排序;对一周内各项污染物浓度、各气象参数运用回归模型进行了预测;就气象参数所属城市问题及污染物浓度与其的关系建立了相关性分析模型和多元线性回归模型;根据建模过程和结果,提出了具体的建议。