基于小波包分解与半监督生成对抗网络的轴流通风机故障诊断

针对轴流通风机故障诊断中需要大量带标签数据用于分类模型训练的问题,提出基于小波包分解(Wavelet packet decomposition,WPD)与半监督生成对抗网络(Semi-supervised generative adverserial networks,SGAN)的轴流通风机故障诊断方法。首先对预处理后的通风机振动数据进行小波包分解,将提取到的有效频带能量信息作为故障诊断模型的特征输入;其次利用训练数据中的带标签数据与无标签数据,训练SGAN的生成器和鉴别器,将训练后的鉴别器作为分类器用于实现少量带标签数据下的轴流通风机故障诊断。搭建了轴流通风机故障诊断试验台,采集了包括正常运行、基座松动与4种不同程度转子不平衡的6类状况下通风机振动数据。利用数据训练得到了基于WPD-SGAN的通风机故障诊断模型。故障诊断实验结果显示,在少标签样本情况下,该方法的诊断准确率达到80%以上。相比传统支持向量机与神经网络监督学习方法,该方法的准确率有大幅提升;与半监督支持向量机方法相比,该方法的准确率提高了9~14个百分点。

基于LeakyMish流行正则化半监督生成对抗网络的图像分类模型

在实际应用中,为模型提供大量的人工标签需要消耗大量的人力和财力,因此,近几年基于半监督学习的图像分类问题得到了更多人的关注。半监督生成对抗网络在训练过程中,能够以少量的标签数据训练大量的未标签数据,并取得较好的结果。Improved GAN+Manifold Reg模型是Bruno Lecouat和Chuan-Sheng Foo等人提出的半监督生成对抗网络模型,并且在SVHN数据集和Cifar-10数据集测试中,准确率比知名的ImprovedGAN和TripleGAN高。针对提高图像分类准确率进行研究,在Improved GAN+Manifold Reg模型的基础上进行改进,对激活函数和优化器进行修改,并模仿LeakyReLU激活函数提出LeakyMish激活函数。在SVHN数据集和CIFAR-10数据集测试中,准确率有进一步的提高,而且模型收敛快。

基于半监督生成对抗网络的乳腺癌图像分类

本文针对仅有少量带标签样本时如何提高大量未标注样本分类的的鲁棒性和准确性问题,提出一种基于改进的半监督生成对抗网络(semi-supvised generative adversarial networks,SGAN)的乳腺癌图像分类方法。该方法在输出层使用Softmax函数替代Sigmoid函数实现多分类。首先将随机向量输入到生成网络中,生成伪样本并标记为伪样本类进行训练。接着将真实标签样本、真实无标签样本和伪样本输入到判别网络中,输出为不同类概率值;然后采用半监督训练方法反向传播更新参数;最后实现对乳腺癌病理图像的分类,标注样本数量分别为25、50、100和200,最终准确率达到95.5%。实验结果表明,当标注样本有限时,本文算法的准确率具有良好的鲁棒性。本文算法相比于使用卷积神经网络和迁移学习(tranfer learning,TL)等分类方法准确率有了显著提高。

应用半监督生成对抗网络预测临床试验中严重不良事件

大数据时代带来丰富数据的机遇,同时又带来如何能有效利用这些数据的挑战。在很多细分化的医疗领域,如临床实验、癌症和罕见病诊断等,目标数据会变得相对稀少或缺失大量特征值。这使得建模变得非常困难。同时在医疗领域,计算机科学和存储技术的发展又能观测到大量的未标识的相关数据。这些数据样本虽然丰富,很难与目标数据直接结合起来。使用最新的半监督生成对抗网络模型可在少量标识样本情况下,使用大量未标识数据达到帮助训练和提高预测准确度。由于半监督生成对抗网络难以训练,可通过加入特殊损失项来提升模型训练技巧。在预测药物临床严重不良事件真实世界案例中,半监督生成对抗网络通过读取未标识样本的额外信息和生成大量的虚拟样本,达到了帮助模型训练的目的。和基准模型相比,半监督生成对抗网络取得了相对最好的预测精准度。相同的模型构架还可以拓展到其他相类似的小标识样本但存在大量相关数据的案例中。

基于半监督生成式对抗网络的异常行为检测

针对简单的、人为规定的异常行为,对基于半监督的生成式对抗网络GANomaly进行了改进,并将其应用于视频异常行为检测。具体说来,为了使神经网络更加鲁棒,利用标签平滑可以促使网络产生更紧密的类内的聚类和更大的类别间的分离;为了防止模型崩溃并加快模型的收敛速度,在对抗训练中采用最小二乘损失函数,而不是二分类交叉熵损失函数;为使生成网络更精确地刻画行为的外观信息,在重构损失中施加强度损失和梯度损失。在含有类别标记信息的公共数据集UCSD datasets上测试和证明这一方法的稳定性和准确性,并与几个经典的异常行为检测方法和原始的GANomaly进行了对比,实验结果证明所提出的方法更适合异常检测,且进一步提高了异常行为检测模型的稳定性和准确率。

基于半监督学习的大数据分类方法

文章研究了基于半监督学习的大数据分类方法,并以MNIST数据集为例,对SGAN模型进行了测试。首先,介绍了半监督学习的基本思想以及SGAN模型的结构,包括标记数据、无标记数据、随机噪声、判别器和生成器等组件。其次,详细描述了在MNIST数据集上测试SGAN模型的方法,包括数据预处理、模型构建、训练过程和性能评估。最后,给出了生成器生成样本的逼真度和多样性指标,以及判别器在测试集上的分类准确率、精确度、召回率和F1分数。经分析验证发现,SGAN模型在MNIST数据集上具有良好性能。

半监督深度学习图像分类方法研究综述

作为人工智能领域近十年来最受关注的技术之一,深度学习在诸多应用中取得了优异的效果,但目前的学习策略严重依赖大量的有标记数据。在许多实际问题中,获得众多有标记的训练数据并不可行,因此加大了模型的训练难度,但容易获得大量无标记的数据。半监督学习充分利用无标记数据,提供了在有限标记数据条件下提高模型性能的解决思路和有效方法,在图像分类任务中达到了很高的识别精准度。首先对于半监督学习进行概述,然后介绍了分类算法中常用的基本思想,重点对近年来基于半监督深度学习框架的图像分类方法,包括多视图训练、一致性正则、多样混合和半监督生成对抗网络进行全面的综述,总结多种方法共有的技术,分析比较不同方法的实验效果差异,最后思考当前存在的问题并展望未来可行的研究方向。

基于标签平滑半监督GAN的漏缆故障类型识别算法

与传统天线相比,泄漏同轴电缆在狭长的传播空间(例如隧道)中具有均匀的电磁信号覆盖特性。泄漏电缆的长期使用以及人为因素不可避免地会导致故障,而不同故障需要不同的处理方法,因此对于漏缆故障类型的识别就极为重要。该文章提出了一种基于标签平滑半监督生成对抗网络(Semi-supervised Generative Adversarial Networks,SSGAN)的漏缆故障类型识别算法。该算法可以利用少量标记数据与大量非标记数据实现较强的分类能力,解决了数据获取困难、标记成本高等问题,并使用了标签平滑技术,使得无监督学习过程更加稳定。实验结果表明,该模型在故障的类型识别下表现良好,使用相同标记数据集的情况下,分类正确率比其他模型更高;相同正确率的情况下,该SSGAN模型使用的标记数据比其他模型更少。

改进半监督GAN及在糖网病分级上的应用

针对糖网病标注数据量少的问题,提出一种改进的半监督生成对抗网络方法,可以利用大量无标签数据和生成数据提升分类精度。基于Triple-GAN的半监督学习方法,提出多尺度残差网络,使用多层特征提高分类精度;设计一种压缩激活双注意力生成对抗网络,生成具有大范围关联性的图像,提高半监督模型的数据分布拟合能力。实验验证,提出模型的分类精度优于常见一些半监督模型,在糖尿病眼底图像上取得了较高的分类精度。

基于生成模型的联邦学习隐私保护算法

在联邦学习中,交换模型参数或梯度信息通常被视作是安全的。但近期研究表明,模型参数或者梯度信息也会导致训练数据的泄露。基于保护客户端数据安全的目的,提出了一种基于生成模型的联邦学习算法。为了验证该算法的有效性,在DermaMNIST数据集上进行了仿真实验,采用梯度泄露攻击对算法进行验证。实验结果表明,提出的基于生成模型的联邦学习算法与联邦学习经典算法在准确率上仅仅相差0.02%,并且通过MSE、PSNR、SSIM等评价指标可以判断出该算法可以有效地保护数据隐私。

基于PSO-DBSCAN和SCGAN的未知雷达信号处理方法

针对雷达实际侦察过程中会侦收到大量样本库中所没有的未知雷达信号,设计了一种基于粒子群优化的具有噪声的密度聚类算法和半监督条件生成对抗网络的单脉冲未知雷达信号处理方法。通过粒子群优化算法得到具有噪声的密度聚类算法的最优输入参数后,对未知雷达信号进行聚类,在聚类算法输出的簇中采用距离筛选算法筛选出更为可信的样本将其扩展到雷达样本库中。当加入的未知雷达信号的种类过多时,需对特征提取网络进行扩展训练,而样本库中数据量较小,难以支持特征提取网络进行有效扩展训练。因此,借鉴了半监督条件生成对抗网络实现小样本情况下未知信号的训练和分类识别。仿真结果表明,本方法的未知雷达信号识别效果表现良好。