基于双生成器与频域判别器GAN语音增强算法

针对在低信噪比条件下,生成对抗网络语音增强算法难以捕捉带噪语音的时域分布信息,导致语音信号被噪音淹没,进而影响模型的增强效果,可能产生增强后语音失真等问题,提出了一种基于双生成器与频域判别器的新型生成对抗网络语音增强算法.首先,该算法采用了两个参数相同的生成器,通过多阶段的增强映射改善语音质量;然后,每个生成器模型在原有模型的基础上增加了自注意力层,以提升模型性能和增强效果;最后,判别器模型采用了频域结构,以频域上的分布信息作为判断增强语音与干净语音相似度的依据.实验结果表明,所提出的方法在低信噪比环境下的语音增强任务中相较于对比方法表现出更好的增强效果,在PESQ和STOI指标平均提高了0.18和1.67%.

基于双维度注意力集成对抗网络的太阳能电池缺陷图像生成

针对太阳能电池缺陷图像稀缺问题,为了对太阳能电池缺陷检测模型进行训练,提出一种双维度注意力集成对抗网络的缺陷图像生成方法.首先构造双生成器与双判别器的集成对抗网络模型;然后将通道注意力与改进的空间注意力结合为双维度注意力,并将其融入生成器与判别器中;最后设计双生成器分时训练的方式解决模型训练不稳定的问题.在太阳能电池电致发光(EL)缺陷数据集上的实验结果表明,5种生成缺陷图像中的图像多样性指标和结构相似性指标比现有最优生成方法最高分别提升53.87和0.46;利用生成的缺陷图像进行yolov5检测模型的训练,5种缺陷的平均精度均值达到96.56%.

双侧停走生成器的概率模型

该文首次建立了双侧停走生成器(Bilateral Stop/Go Generator)的概率模型,研究了模型中作为钟控函数输入的中间状态序列的马氏性、遍历性及严平稳性等概率性质,得到了生成器输出序列中0,1分布是不平衡的结论,由此指出不能将这种生成器直接作为密钥流生成器;给出了生成器输出序列和相应的LFSR输出序列之间的符合率以及一阶差分序列之间的符合率;证明了生成器输出序列满足强大数定律和中心极限定理。

面向网络流量数据增强的生成对抗网络改进研究

网络流量数据的高维复杂特性,使得生成对抗网络生成的网络流量数据质量较差。为了解决该问题,提出一种基于双生成器的条件映射生成对抗网络(a cGAN with projection discriminator based on double generators,PD-DcGAN)并将其应用于少数类流量增强。提出基于Gumbel-sigmoid分布的离散生成器,获得近似于离散数据的光滑可导分布生成离散特征,并将其与连续数据生成器并联运行,二者结果串联组合,获得数据整体分布情况;以内积形式融合条件信息和特征信息,克服传统方法出现假设空间增大的问题,缓解模型训练过程中的不稳定现象;在损失函数中引入梯度惩罚因子,将判别器梯度限定在一定范围内,有效缓解梯度爆炸。利用UNSW-NB15数据集,从生成样本质量和模型有效性两个角度检验模型性能。实验结果证明,与其他数据增强方法相比,PD-DcGAN在准确率、精确率、召回率和F1得分上分别平均提高2.72%、1.72%、1.87%和1.16%;与原始数据集相比,对难以检测的Analysis、Backdoors、Exploits、Shellcode和Worms等少数类流量检测性能提升明显,分别从不足1%分别提升至7.93%、6.53%、15.72%、14.02%和10.91%。