基于改进条件生成对抗网络的可控场景生成方法

可再生能源发电具有较强的随机性和波动性,为实现高效可靠的场景建模,提出一种基于改进条件生成对抗网络的可控场景生成方法。提出基于条件生成对抗网络的场景生成框架,结合Transformer的全局注意力机制以及常规卷积和深度可分离卷积的局部泛化机制,设计适用于提取可再生能源发电不同维度特征的网络结构;利用条件生成对抗网络模型建立低维气象特征隐空间和高维可再生能源发电数据之间的映射关系,提出一种可控场景生成方法,并建立随机场景生成、场景约减、极端场景生成和连续日场景生成4种生成策略。基于实际光伏、风电数据和气象数据的仿真结果表明,所提模型与方法能够有效学习可再生能源发电的随机性、时序性、波动性及空间相关性,实现对不同策略下场景的可控生成。

基于改进条件生成对抗网络的字体风格迁移算法

为解决现有字体迁移风格网络难以快速收敛以及处理复杂字体结构能力较弱等问题,提出了一种基于条件生成对抗网络的汉字字体生成方法。通过条件生成对抗网络的方式训练生成器作为字体风格迁移网络,通过知识蒸馏技术将预训练的图像重建网络的特征信息引入网络,更好地将特征解码为目标风格字体,同时结合边缘平滑损失和感知损失提高目标字体的生成质量。与已有的字体生成算法进行定量分析与定性分析,在不同字体上进行的实验结果表明:该方法生成的目标字体更加真实并且文字的边缘更加清晰。

基于改进条件生成对抗网络的需求响应潜力预测

为了解决现行各类基线负荷预测方法对时序性的依赖及多影响因素分类分析评估不准确等问题,提出了一种基于改进条件生成对抗网络(CGAN)和图卷积神经网络(GCN)的需求响应潜力预测方法。首先,引入融合CGAN和Wasserstein生成对抗网络(WGAN)的Wasserstein条件生成对抗网络(WCGAN),并利用历史数据训练生成器和判别器,估计基线负荷;然后,充分考虑基线与响应负荷的不确定性,提出了一种基于WCGAN和GCN的需求响应负荷预测方法;最后,采用实际负荷数据对所提方法的有效性进行了分析。

基于改进条件生成对抗网络的水下图像增强方法

光在水中传播使得红色光衰减严重,从而导致水下图像在颜色上出现偏绿或偏蓝的颜色色差。针对这一红色光衰减现象,提出了一种改进条件生成对抗网络的方法来对水下图像进行增强处理。首先使用动态阈值对原始图像进行初步颜色校正,之后利用条件生成对抗网络在编码与解码连接处引入链接块学习水下图像与正常图像之间的映射关系来实现水下图像的色彩恢复,再使用双边滤波算法进行图像去噪,提高图像的可视性。在损失函数中引入L1与L2损失结合对图像颜色进行学习,同时加入焦点损失来解决样本比例高度不平衡现象。实验结果表明,此方法在水下图像的颜色失真和模糊方面都有很好的增强效果,获得了较好的视觉效果。

一种改进条件生成对抗网络的图像去雾算法

针对现有去雾算法存在的颜色失真、细节丢失和一些肉眼可见的薄雾残留等问题,提出了一种改进条件生成对抗网络的去雾算法。首先,为了能更好地保留图像的底层纹理信息和结构信息,共享浅层和深层图像之间的特征,设计了含对称层跳跃连接结构的生成器。其次,为了保留图像的细节并减少伪影,重新设计了损失函数,在原始网络损失的基础上引入L1损失和感知损失。提出的算法在HSTS数据集上的峰值信噪比可达27.3064 dB,结构相似度达0.9633,比其他算法的最优值分别提高了5.728 dB和0.0581。去雾后目标检测的mAP提高了2.51%,召回率提高了4.31%。实验结果表明,所提出算法可以减少色差,解决薄雾残留问题,块效应基本消除,在主观效果和客观评价上均具有明显优势。

改进条件生成对抗网络的文本生成图像方法

该文提出了一种改进条件生成对抗网络的文本生成图像模型(TxtGAN),使用一对生成器和判别器的单阶段生成方式生成高分辨率图像,避免因训练多个GAN消耗大量计算资源.生成器网络由一系列生成模块(RUPBlock)组成,每个模块中应用条件批量归一化方法,在实现图像生成的同时充分融合了文本信息与图像特征,较好地保留了文本信息.另外,将文本词信息引入判别器中,得到的对抗性损失作为“信号”引导生成器高效训练.在CUB鸟类数据集和COCO数据集上的实验结果表明,TxtGAN模型优于基线方法,同样可以生成较为真实的高分辨率的图像,并且较好地解决了多阶段训练的缺陷.

基于改进条件生成对抗网络的分布式电源优化配置

分布式电源由于其出力存在不确定性的特点对配电网的规划有着明显的影响,为使规划结果更加合理,需对其出力的不确定性进行建模。首先利用改进的条件生成对抗网络模型对风电和光伏出力的不确定性进行建模,在模型中加入月份标签信息以生成具有时序特性的风电和光伏出力场景,并通过K-means聚类方法对生成的大量场景进行聚类。其次,建立了以年综合费用最小为目标的分布式电源优化配置模型,通过二阶锥松弛方法将模型转换为混合整数二阶锥规划问题快速求解。最后,通过IEEE 33节点算例系统验证构建模型的有效性。

基于条件生成对抗网络的无线传感网络多节点失效修复研究

当前主流的传感节点失效修复主要通过纠删码完成,修复后节点具有更高的空间利用率,但无法有效提升网络寿命。为此,提出基于条件生成对抗网络的无线传感网络多节点数据重构方法,完成失效修复。感知无线传感网络节点,对失效节点展开裁决,确定失效节点位置,并重构节点内数据;将获取的失效节点用于条件生成对抗网络(CGAN)框架中生成器与节点替换网络的训练,通过训练好的生成器,以失效节点为条件,生成未失效节点;为提升修复性能,使用粒子群算法寻优节点替换网络参数,完成节点重构数据置换,实现失效节点的有效修复。结果表明:利用所提方法进行修复时,能耗最高仅为17 J,剩余寿命最低可达到300 h,连通度最高可达到99.2%,具有较好的修复效果。

基于条件生成对抗网络的实验室红外监控系统

实验室作为科研基地,其中存储了很多珍贵的资料和危险物品,因此,进行安全监控是十分必要的。在此背景下,设计一种基于条件生成对抗网络的实验室红外监控系统。借助B/S三层架构设计系统框架,分为采集层、网络层和应用层,将MySQL作为支撑,设计数据库。以STC89C52单片机为核心,主控各个外围硬件,搭建系统硬件。以ZigBee技术为基础组建系统的无线传输网络,用于远程传输。设计监控系统功能单元,通过采集单元采集实验室红外图像并利用预处理单元对实验室红外图像实施去噪、亮度调节、图像分割预处理,基于条件生成对抗网络(cGAN)设计异常识别单元,判断监控图像中是否存在异常情况并以此为依据进行预警。结果表明:系统对异常的监控结果与真实情况一致,由此证明了所设计的监控系统性能较高。

基于校正条件生成对抗网络的风电场群绿氢储能系统容量配置

以条件生成对抗网络(CGAN)为代表的半监督学习可计及风电波动并生成出力场景集合,生成的数据可输入氢气储能容量配置模型以支撑优化求解。为此,该文首先设计一种校正条件生成对抗网络(CCGAN),并基于风电预测误差构建条件校正器,对预测失准事件和风电爬坡事件下输入生成器的标签信息进行识别和校正;然后,以储能定容的综合成本和各风场弃风成本为目标函数,构建绿氢储能容量配置的多目标优化模型,并引入基于切比雪夫距离的膝区域数学概念,以指导多目标优化算法设计;最后,以新英格兰39节点系统为例进行算例分析,结果表明未经校正的条件信息将导致定容决策偏离实际,而CCGAN能生成计及风电不确定性的高置信出力场景,使得容量配置结果兼顾鲁棒性和经济性。

基于条件生成对抗网络的图像翻译综述

图像翻译旨在实现多组不同领域图像间的转换,同时需要约束样本空间与目标空间分布的一致性.文章旨在寻找条件生成对抗网络与图像翻译问题的结合点,首先,介绍了数据集的特点,指出了不同数据集图像翻译难易程度;其次,从数学表达、性质以及目标函数设计方法得出算法实现的不同方式;将现有图像翻译分成3种类别——匹配图像翻译、非匹配图像翻译和多领域图像翻译,并得出不同应用场景所对应的图像翻译类别,即高清任务对应匹配图像翻译,低成本任务对应非匹配图像翻译,多样化任务对应多领域图像翻译;将图像质量评价方法分为主观图像质量评价与客观图像质量评价,并分析客观图像质量评价中全参考图像与无参考图像质量评价的适用范围;最后,总结条件生成对抗网络在图像翻译中的进展,并分析算法后指出了模式崩塌,模型可解释性和少样本等未来所需解决的问题.

基于扩张卷积条件生成对抗网络的红外小目标检测

基于深度神经网络的目标检测方法凭借自身强大的建模能力,在通用目标检测任务中取得了良好的表现。然而,在红外小目标信号弱、像素小的本质特征的影响下,深度神经网络层次的加深和池化操作的大量使用导致小目标语义信息丢失,使得现有方法的检测效果并不理想。文中从红外小目标特性这一关键问题出发,提出了一种新颖的基于扩张卷积条件生成对抗网络的目标检测算法。所提方法应用扩张卷积设计了生成网络,充分利用上下文信息建立层与层之间的关联,将红外小目标更多的语义信息保留到深层网络中,增强目标特征,进而提高检测性能。此外,设计了融合通道与空间维度的混合注意力模块,在特征提取时有选择性地放大目标信息,抑制背景信息;设计了自注意关联模块处理层与层之间信息融合过程中产生的语义冲突问题。文中使用多种评价指标将所提网络模型与目前先进的其他红外小目标检测方法进行对比,证明了该方法在复杂背景下目标检测性能的优越性。在公开的SIRST数据集上,所提模型的F分数为64.70%,相比传统方法提高了8.29%,相比深度学习方法提高了7.29%;在公开的ISOS数据集上,所提模型的F分数为64.54%,相比传统方法提高了23.59%,相比深度学习方法提高了6.58%。

利用条件生成对抗网络建立曲流河地质模型

【目的】在传统的河道建模方法中,基于目标的方法难以刻画曲流河点坝且条件化困难,多点地质统计学则难以再现河道的连续形态。条件生成对抗网络可以生成满足一定条件的复杂图形,可解决曲流河地质模型建立过程中点坝、河流形态刻画困难及难以条件化的问题。【方法】以鄂尔多斯盆地苏里格气田南部地区某气田为例,开展了基于条件生成对抗网络的曲流河三维建模方法研究。在建模过程中,首先采用Alluvsim建模方法根据工区曲流河特征建立了200个曲流河模型;再通过卷积神经网络对200个模型进行深度学习,提取模型的特征矩阵,利用条件生成对抗网络建立可以生成曲流河模型的生成器;最后以工区井点数据作为输入数据,利用生成器建立满足曲流河复杂形态和井点数据的三维模型。【结果与结论】所建立的模型可以很好地展现曲流河中河道与点坝的三维形态及对应关系。为明确影响模型结果的关键因素,通过对比训练次数与输入数据发现,适当的训练次数(160次)与大量地输入样本(200个)是建立满足工区条件模型的前提。另外,通过对比传统地质建模方法,条件生成对抗网络建模方法可以很好地再现河道沉积体的空间形态,克服传统曲流河建模方法在条件化方面的困难,为曲流河沉积环境的河道砂体建模提供了新的解决思路,建立的曲流河模型可为油田开发阶段提供参考。

联合学习透射图和去雾图的条件生成对抗网络

针对雾霾天气拍摄的图片质量大幅下降的问题,基于经典的大气散射模型提出了一种新的多任务学习方法,以端到端的方式联合学习透射图和去雾图像。该网络框架是基于一种新的双重条件生成对抗网络,由两个改进的条件生成对抗网络(CGAN:Conditional Generative Adversarial Network)堆叠组成,即将有雾图像输入第1阶段CGAN估计透射图,然后将预测的透射图和有雾图像输入第2阶段CGAN,通过第2个生成器恢复出对应的无雾图像。为改善输出图像的颜色失真和边缘模糊问题,设计了联合损失函数,提高图像转化的质量。在合成和真实数据集上与多种去雾方法进行定性和定量实验比较,结果表明,该方法输出的无雾图像具有更好的视觉效果,其结构相似性和峰值信噪比的值分别达到了0.985和32.880 dB。

基于条件生成对抗插补网络的双重判别器缺失值插补算法

应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN)的缺失值插补算法DDC-GAIN(Dual Discriminator based on C-GAIN)。该算法通过一个辅助判别器辅助主判别器判断预测值的真假,即根据一个样本的全局信息判断这个样本生成的真假,更注重特征之间的关系,以此估算预测值。在4个数据集上与5种经典插补算法进行对比实验,结果表明:同样条件下,DDC-GAIN算法在样本量较大时的均方根误差(RMSE)最低;在Default credit card数据集上缺失率为15%时,DDC-GAIN算法的RMSE比次优算法C-GAIN降低了28.99%。这说明利用辅助判别器帮助主判别器学习特征之间的关系是有效的。

一种基于条件生成对抗网络的强化学习数据增强方法

强化学习用于序列决策问题上取得的成功越来越受到人们的重视,但是当使用高维状态作为输入时,仍然存在数据效率低下的问题。造成这个问题的原因之一是智能体难以从高维空间提取有效的特征。为了提高数据效率,论文提出一种适用于强化学习任务的数据增强方法cGDA(cGANs-based Data Augment),该方法用条件生成对抗网络(cGANs)对环境的动态特性建模,以当前时刻的状态和动作作为条件生成模型的输入,输出下一时刻的状态作为增强数据。训练过程中使用真实数据和增强数据同时训练智能体,有效地帮助智能体从不同的数据中快速提取到有用的知识。在Atari100K基准上,cGDA在26个离散控制问题环境中与采用数据增强的方法比较,在16个环境中获得了更高的性能;与未采用数据增强的方法比较,在14个环境中获得了更高的性能。

基于生成式对抗网络和改进区域建议网络的输电线路杆塔缺陷检测方法

为了减少输电线路杆塔缺陷检测过程中受噪声信号和装置性能等因素的干扰,提高输电线路杆塔缺陷检测的正确率和检测效率。提出一种基于生成式对抗网络(generative adversarial networks,GAN)和改进区域建议网络(region proposal network,RPN)的输电线路杆塔缺陷检测方法。采用GAN采集输电线路杆塔的显著性图像,并利用半软阈值函数模型剔除图像中的噪声,避免噪声对缺陷检测过程产生影响。通过随机森林决策树提取输电线路杆塔图像的轮廓特征,基于多尺度算法对RPN进行改进,将特征输入到改进RPN模型中,通过缺陷的定位、分割完成输电线路杆塔的缺陷检测。试验结果表明,所提方法的输电线路杆塔缺陷检测正确率较高,具有较好的缺陷检测效果和检测效率,从而有利于提高输电线路杆塔缺陷检测的质量,减少电力事故的出现。

改进生成式对抗网络下多端柔性直流输电系统

针对新能源在实施并网时,多端柔性直流输电系统运行过程中并网电力数据存在的噪声过多问题,会直接影响多端柔性直流输电系统的直流输电效果,为提升系统直流输电效果,采用改进生成式对抗网络设计多端柔性直流输电系统。根据直流输电系统结构建立系统整体框架,并对框架中的模块设计具体功能;通过基于改进生成式对抗网络去噪模块滤除系统直流输电时产生的噪声,提升系统直流输电时的输电效果;根据系统硬件模块功能设计结果,设计多端柔性直流输电系统模块控制器以及系统整体控制器,通过控制器的稳定控制,完成多端柔性直流输电系统的安全直流输出,实现系统的软件设计。实验结果表明,利用所设计系统在开展电力直流输电时,控制效果较好,电流在0 kA附近波动,电压最终控制为500 kV。

基于改进生成对抗网络的工业炉燃烧器噪声分类研究

工业炉燃烧器噪声分类过程中易受到不均匀样本、非线性和工作环境等问题的干扰,噪声信号分离难度比较大,导致分类效果不佳。为了解决上述问题,提出基于改进生成对抗网络的工业炉燃烧器噪声分类方法。采用组合传感器采集工业炉燃烧器信号,通过声能叠加算法分离出噪声信号。采用小波包分解算法提取噪声信号特征,将提取的特征输入到改进后的生成对抗网络中,改进生成对抗网络通过分类函数完成工业炉燃烧器噪声分类。实验结果表明,所提方法的工业炉燃烧器噪声信号特征提取效果好、分类精度高、分类时间短,分类结果具备可靠性。

基于改进型生成式对抗网络的EEG-fNIRS多模态信号数据增广研究

目的基于深度学习的脑电图-功能性近红外光谱技术(electroencephalogram-functional near-infrared spectroscopy,EEG-fNIRS)多模态脑机接口在康复工程中具有广泛的应用前景,但存在数据量不足的问题。为此,本文提出一种基于改进条件生成式对抗网络(conditional generative adversarial network,CGAN)的EEG-fNIRS多模态信号数据增广方法,以解决EEG-fNIRS多模态脑机接口与深度学习结合时面临的数据量匮乏的问题。方法首先,对EEG和fNIRS数据进行滤波、归一化和下采样等预处理。然后,针对EEG的非平稳特点,在CGAN生成器和判别器中增加自注意力机制,获得EEG数据增广模型CGAN_(E),加强捕捉和学习时变关键信息的能力。同时,针对fNIRS采样率低、信息量不充分问题,在CGAN生成器和判别器中增加上采样卷积层,获得fNIRS数据增广模型CGAN_(f),加强模型的信息挖掘能力,并将CGAN_(E)和CGAN_(f)的条件信息设置为类标签;进而,利用CGAN_(E)和CGAN_(f)对每导EEG和fNIRS分别进行增广,并将多导EEG扩增数据和多导fNIRS[包括氧合血红蛋白浓度(oxyhemoglobin concentration,HbO)和脱氧血红蛋白浓度(deoxyhemoglobin concentration,HbR)两种]扩增数据串接融合,获得EEG-fNIRS多模态增广数据。最后,对公开的EEG-fNIRS多模态信号数据集TU-Berlin-A前6名受试者数据进行增广实验,并设计一维卷积神经网络分类器评估增广数据的质量。结果基于EEG-fNIRS多模态信号公开数据集TU-Berlin-A前6名受试者的左右手运动想象数据进行实验研究表明,当数据扩增5倍时,本文方法取得94.81%的平均分类准确率。结论CGAN_(E)和CGAN_(f)能够生成接近真实数据分布的EEG和fNIRS信号,验证了对CGAN改进和本文所提EEG-fNIRS多模态数据增广方法的有效性。