基于生成式自监督学习的对抗样本分类算法

对抗样本常常被视为对深度学习模型鲁棒性的威胁,而现有对抗训练往往会降低分类网络的泛化精度,导致其对原始样本的分类效果降低。因此,提出了一个基于生成式自监督学习的对抗样本分类算法,通过自监督学习训练生成式模型获取图像数据潜在特征的能力,并基于该模型实现对抗样本的特征筛选,而后将其中有益分类的信息反馈给分类模型。最后进行联合学习,完成端到端的全局训练,进一步实现分类模型泛化精度的提升。在MNIST、CIFAR10和CIFAR100数据集上的实验结果显示,与标准训练相比,该算法将分类精度分别提高了0.06%、1.34%、0.89%,达到99.70%、84.34%、63.65%。结果证明,该算法克服了传统对抗训练降低模型泛化性能的固有缺点,并进一步提高了分类网络的精度。

NOMA-VLC系统中最大化总和速率功率分配方法

非正交多址接入(Non-Orthogonal Multiple Access,NOMA)被认为是提高无线通信系统频谱效率的一种很有前途的技术。文中将NOMA技术应用于可见光通信(Visible Light Communication,VLC)中,提出了一种基于深度Q网络(Deep Q Network,DQN)强化学习算法的功率分配方案来解决可见光通信系统最大化总和速率优化问题,该方案充分考虑了用户的信道条件,能够提升系统总和速率,可为VLC系统的功率分配问题提供新的思路。仿真结果表明,所提算法比Q学习功率分配算法、增益比功率分配算法、随机功率分配算法拥有更高的总和速率,在用户数小于11的范围内,总和速率平均分别提升了6.28%、12.20%、51.36%。