生成式对抗网络估算车辆参数及路面不平度

主流的通过逆向分析得到路面不平度的方法很少从车辆的认知不确定性来考虑所识别的路面不平度是具有概率分布性。为了应对这一挑战,提出使用测试得到的车辆加速度响应的方法。基于车辆运动系统约束的生成对抗网络(GAN)进行车辆参数的动态校准和估算路面不平度。通过引入生成模型来描述估计的路面不平度和车辆参数的概率分布。在生成对抗网络训练过程中通过分别最小化其车辆运动系统约束构建物理约束,达到使生成对抗网络的最后输出符合工程问题的强物理性。然后通过使用数值模拟测得的车辆加速度响应训练来学习生成模型,进行了数值仿真实验。使用标准规范的路面不平度和经典车辆模型来证明所提出的方法的可行性。结果表明,所提出的方法可以成功地捕获车辆认识的不确定性。

基于循环对抗神经网络的快速最小二乘逆时偏移成像方法

最小二乘逆时偏移成像方法因计算量巨大,限制了其大规模的工业应用。基于此,建立循环对抗神经网络表征Hessian矩阵的逆,构建逆时偏移结果和反射系数之间的映射关系。通过建立的神经网络对逆时偏移成像结果进行去模糊化处理,提高成像质量,同时大幅减少计算时间。将训练好的网络应用于Marmousi模型和Sigsbee2A模型的逆时偏移结果。结果表明,本文方法在不显著增加计算量的情况下较好地提高了逆时偏移成像质量。

最小二乘迁移生成对抗网络

现有的生成对抗网络(Generative Adversarial Networks,GAN)损失函数已经被成功地应用在迁移学习方法中。然而,发现这种损失函数在学习过程中可能会出现梯度消失的问题。为了克服该问题,提出了一种学习领域不变特征的新方法,即最小二乘迁移生成对抗网络(Least Squares Transfer Generative Adversarial Networks,LSTGAN)。LSTGAN采用最小二乘生成对抗网络(Least Squares Generative Adversarial Networks,LSGAN)损失函数,通过单领域判别的训练方式来减少领域分布之间的差异。通过研究表明,所提方法与其他有竞争力的算法相比较具有一定的优越性。

基于生成对抗网络的漫画草稿图简化

在漫画绘制的过程中,按草稿绘制出线条干净的线稿是很重要的一环.现有的草图简化方法已经具有一定的线条简化能力,然而由于草图的绘制方式的多样性以及画面复杂程度的不同,这些方法适用范围有限且效果不理想.本文提出了一种新颖的草图简化方法,利用条件随机场(Conditional random field,CRF)和最小二乘生成式对抗网络(Least squares generative adversarial networks,LSGAN)理论搭建了深度卷积神经网络的草图简化模型,通过该网络生成器与判别器之间的零和博弈与条件约束,得到更加接近真实的简化线稿图.同时,为了训练对抗模型的草图简化能力,本文建立了包含更多绘制方式与不同内容的草图与简化线稿图对的训练数据集.实验表明,本文算法对于复杂情况下的草图,相比于目前的方法,具有更好的简化效果.

基于生成对抗网络的主机入侵风险识别

随着互联网的发展,针对主机漏洞发起的入侵层出不穷,计算机安全问题日益突出,基于深度学习的入侵检测成为研究热点,但仍然存在攻击训练样本少以及无法有效检测未知攻击的问题。基于AC-GAN和LS-GAN,设计并实现主机入侵风险识别网络TR-GAN,该模型能有效解决梯度偏移或梯度消失的问题。TR-GAN相较于AC-GAN及LS-GAN,不但风险识别准确率更稳定,最大识别准确率达到80%,且其风险样本生成模块能在较少训练迭代轮数下就生成与真实攻击样本具有相同特征的攻击样本。生成的攻击样本不但可以作为训练样本的补充,而且可作为部署系统安全策略的参考。

DCLS-GAN:利用生成对抗网络的天绘一号卫星高原地区影像去云方法

利用深度学习开展高原地区卫星影像去云是一个研究热点。本文提出了基于DCLS-GAN的天绘一号卫星高原地区影像的去云方法,采用对抗学习的思想构建深度卷积对抗生成网络,自主学习影像中云覆盖部分的典型地表特征,从而恢复云覆盖下垫面形貌。基于Encoder-Decoder结构生成网络,构建固定与可移动2种云区掩膜,在矩形固定中心掩模预训练之后进行随机位置云掩模迁移训练,使用最小二乘重建损失与交叉熵对抗损失的联合损失函数,用于精确修复云覆盖区域地表;基于CNN鉴别网络,判别生成影像的真实性。采用双线性插值提高云覆盖区域的修复精度,后处理使用泊松编辑处理平滑预测边界,减少伪迹的影响。在测试数据集上的试验结果表明,本文方法的总体去云效果在峰值信噪比、结构相似性与自然影像无参考质量评价算法指标上优于经典方法与原始Context Encoder,速度上较经典图像重建方法优势较大,具有较好的实际应用前景。

基于生成对抗网络的图像艺术风格迁移

提出了一种新颖的图像艺术风格化算法,利用结构相似性指数和最小二乘生成对抗网络,搭建图像艺术风格化模型.通过对模型生成器和判别器的对抗训练以及重建约束,该模型可以生成一幅逼真的风格化作品.根据在人脸肖像素描sketch-photo数据集和中国水墨画风格beihong-photo数据集实验表明,与目前流行的DualGAN算法、CycleGAN算法、Pix2Pix算法和GAN算法相比,本文提出的方法具有更好的风格化效果.

生成对抗网络研究综述

生成对抗网络GAN(Generative Adversarial Networks)于2014年被Lan等人提出,该生成式模型受到二人零和博弈的影响,通过生成器和判别器的相互比较而形成。凭借生成数据质量较好的优势,GAN已被广泛应用于各科研领域,如图像生成与修复、人脸识别等多个领域中,均有较好的表现。本文介绍了GAN的基本概念、代表性模型、主要应用领域等基础知识,将GAN与传统类型的算法进行了优劣比较,最后阐述了对GAN未来前景的看法。

基于CSLS-CycleGAN的侧扫声纳水下目标图像样本扩增法

针对侧扫声纳水下目标图像稀缺,获取难度大、成本高,导致基于深度学习的目标检测模型性能差的问题,结合光学域类目标数据集丰富的现状,提出一种基于通道和空间注意力(channel and spatial attention,CSA)模块、最小二乘生成对抗生成网络(least squares generative adversarial networks,LSGAN)及循环对抗生成网络(cycle generative adversarial networks,CycleGAN)的侧扫声纳水下目标图像样本扩增方法。首先,受CycleGAN的启发,设计基于循环一致性的单循环网络结构,保证模型的训练效率。然后,在生成器中融合CSA模块,减少信息弥散的同时增强跨纬度交互。最后,设计了基于LSGAN的损失函数,提高生成图像质量的同时提高训练稳定性。在船舶光学域数据集与侧扫声纳沉船数据集上进行实验,所提方法实现了光学-侧扫声纳样本间信息的高效、稳健转换以及大量侧扫声纳目标样本的扩增。同时,基于本文生成样本训练后的检测模型进行了水下目标检测,结果表明,使用本文样本扩增数据训练后的模型在少样本沉船目标检测的平均准确率达到了84.71%,证明了所提方法实现了零样本和小样本水下强代表性目标样本的高质量扩增,并为高性能水下目标检测模型构建提供了一种新的途径。

基于LSGAN-LSTM的齿轮故障诊断

针对难以获取足量样本数据的齿轮故障诊断率低的问题,提出一种基于最小二乘生成对抗网络(LSGAN)结合长短期记忆网络(LSTM)的方法.将齿轮的原始样本输入LSGAN模型中,通过对生成网络和判别网络的交替训练,学习出不同状态的样本数据,从而实现数据增强,通过生成样本结合原始样本训练LSTM诊断模型,完成小样本下的故障诊断.以康狄涅格大学的齿轮实验数据为例对所提方法进行验证,结果表明,与传统方法相比,诊断准确率提高至98.3%.通过可视化方法显示出诊断方法的优越性,为小样本条件下的故障诊断提供参考.

基于改进GAN的断路器线圈电流数据增强方法

分合闸电流作为分析断路器操作机构电磁系统健康状态的关键参数,由于其故障数据稀缺,造成数据集不均衡,导致故障诊断的准确性受到影响。提出了基于改进GAN的断路器线圈电流数据增强方法,首先引入最小二乘法改进模型的损失函数,改善了原模型训练过程不稳定的问题;其次将数据连同其标签同时作为网络的输入进行训练,解决了传统GAN生成数据可控性差的问题。实验证明,该方法生成的样本与真实样本具有高度的相似性,可以很好地对不平衡数据集进行扩充与平衡。

基于LSGAN及迁移学习的智慧工地监控图像修复和识别方法

目前建筑工地视频监控图像模糊,部分图像有遮挡,监控智能性差,耗费大量的人力物力仍无法实现高效管理,针对此问题,提出一种基于最小二乘生成式对抗网络(LSGAN)及迁移学习的智慧工地监控图像修复和识别方法。首先,利用生成式对抗网络的判别器与生成器之间的零和博弈,引入最小二乘损失函数,修复工地监控图像;其次,引入迁移学习思想提取图像特征,将修复后的图像在预训练的GoogleNet模型上进行训练,微调网络参数;最后,利用长短时记忆(LSTM)神经网络对目标图像进行检测与识别,判别现场是否存在安全隐患及人员违规行为。实验结果表明:该方法能够高效预测图像语义缺失,图像修复速度快,视觉效果逼真,且目标识别准确率较高,具有一定的实用价值。

基于LSGAN-SqueezeNet的轴承故障诊断研究

在滚动轴承的故障诊断过程中,需要大量的故障样本对模型进行训练,但由于工程实际环境较为复杂,难以采集到足量的轴承故障样本。提出基于最小二乘生成对抗网络(least squares generative adversarial networks,LSGAN)结合SqueezeNet在样本数据量不足条件下滚动轴承故障诊断的方法。该方法首先利用滚动轴承的原始样本训练LSGAN,生成不同状态下的轴承信号样本,采用SqueezeNet对真实样本与生成样本进行模型训练,实现样本数据量不足条件下的轴承故障诊断。通过凯斯西储大学及德国帕德博恩大学的滚动轴承试验数据对所提轴承故障诊断方法进行验证。试验结果表明,真实样本结合生成样本训练模型,对故障的诊断准确率均达到99.7%,该方法具有较高的诊断精度。实现了样本数据量不足条件下故障诊断的可行性及验证其泛化性,且有效提高了故障诊断的准确率、降低了训练成本。

基于时频分析与深度学习的高分辨距离像雷达目标识别

传统的基于高分辨距离像(high resolution range profile,HRRP)雷达目标识别方法易受噪声影响,为此提出一种基于时频分析与深度学习的HRRP雷达目标识别方法。首先使用生成模型对低信噪比的HRRP数据进行处理,以提高数据的信噪比,生成模型采用深度卷积生成对抗网络(deep convolutional generative adversarial network,DCGAN)和所提出的约束朴素最小二乘生成对抗网络(constrained naive least squares generative adversarial network,CN-LSGAN);其次将处理后的数据分别进行短时傅里叶变换(short-time Fourier transform,STFT)和小波变换(wavelet transform,WT),得到二维时频数据;最后利用卷积神经网络(convolutional neural network,CNN)进行识别。实验结果表明,CN-LSGAN相对DCGAN能够更好地提高信噪比,WT相比STFT得到的数据更能获取HRRP特征信息,因而基于CN-LSGAN,WT与CNN的HRRP雷达目标识别方法具有更好的识别效果。

基于有限样本的永磁同步电机退磁故障诊断方法

针对永磁同步电机(PMSM)因样本数据稀少、可用性低、特征弱化和结构复杂等因素引发的退磁识别问题,提出一种融合稀疏自编码与最小二乘生成式对抗网络的退磁故障诊断方法。该方法首先采集PMSM的电磁转矩和磁动势分布数据构成有限样本集合,其次采用最小二乘生成式对抗网络对样本在保持特征分布一致的条件下进行标签化扩张,最后运用稀疏自编码网络和Soft max分类器对样本进行训练和分类,实现退磁故障的诊断与识别。在模型训练和故障识别过程中,一方面合理设计深度网络隐层节点、训练算法以及层数等影响学习效率的参数;另一方面训练优化网络并测试验证网络的优劣以提高故障诊断性能。经过多次试验,最终可实现PMSM退磁故障的有效诊断。

基于改进CycleGAN的合成孔径雷达图像仿真

目标和场景的跨模态数据对于以深度神经网络为基础的跨模态检测与多模态融合算法的性能提升有着极其重大的意义.由于SAR图像的特殊性,获得成对的数据集成本很高,且现有的SAR图像生成算法大多集中在提升图像多样性与小范围场景生成,对于特定场景的图像配对转化鲜有涉及.本文利用改进的循环一致性对抗网络CycleGAN实现SAR图像目标和场景的SAR图像的仿真,并利用最小二乘损失对网络进行改进,使网络性能获得提升,提高了成像的质量,论文所提方法对SAR图像进行了仿真实验,结果表明,本文方法生成图像的精细度与稳定度最优,实现了更好的仿真结果.

基于LSGAN和VMD-MPE-KELM的风机齿轮箱故障诊断

在实际工况中,风机齿轮箱的故障样本多呈现不均衡特征。为克服样本不均衡性给诊断效果带来的影响,提出了一种基于LSGAN(最小二乘对抗网络)和VMD-MPE-KELM的风机齿轮箱故障诊断方法。首先,采用LSGAN算法用于少数类故障样本的生成处理,将具备原始样本特征的生成数据扩充样本集使其分布均衡,采用VMD方法分解样本集中各类故障的振动信号,计算各模态分量的MPE多尺度排列熵值以提取信号特征;再通过KPCA方法降维处理,获得故障样本的特征向量,将其代入KELM模型诊断。实验表明,LSGAN算法克服了GAN在生成故障样本中梯度消失、训练不稳定和数据质量差等问题;VMD-MPE-KPCA方法可有效提取故障特征。该方法有效地提高了非平衡齿轮箱故障样本的诊断精度。

GANs与GRBFNN在空间插值中的对比分析

为了进一步提高空间插值的精度,搭建生成对抗网络(GANs)、最小二乘生成对抗网络(LSGANs)及Gauss径向基神经网络(GRBFNN)。使用国家气象科学数据网1960—2013年619个气象站点数据的平均值,将上述3种深度学习模型对降水量和平均气温的插值结果与普通Kriging(OK)及反向距离加权(IDW)的插值结果进行对比分析,并进行交叉验证。结果表明:全国气象站点降水量和平均气温数据的空间插值中,IDW法优于OK法。当训练样本较多时,LSGANs模型空间插值表现最好;当训练样本数量较少时,GRBFNN的插值精度最高。高程对平均气温的插值精度影响较大,对降水量的插值精度影响较小。LSGANs和GRBFNN深度学习模型有助于拓展空间插值的思路和应用范围,具有很好的前景。

基于LSGAN和GA-ELM的风电功率短期预测

为克服非均衡样本影响风电功率预测的精度,提出了一种基于最小二乘生成对抗网络(LSGAN)和基于遗传算法的极限学习机(GA-ELM)的风电功率短期预测方法。以数值天气预报(NWP)数据为研究对象。首先,采用模糊C均值(FCM)算法将风电场NWP数据聚类成若干个天气类型;其次,采用LSGAN算法生成少数类样本,将具备原始特征的生成数据扩充至NWP数据集并使各类天气的样本均衡;最后,将均衡的数据集代入GA-ELM模型中建立预测模型。仿真结果表明:LSGAN算法缓解了GAN算法中梯度消失、训练不平稳和样本品质差等缺陷,在生成数据时具有收敛速度快、稳定性高和易达到纳什平衡等优点,有效地提高了风电功率的短期预测精度。

基于注意力残差网络的卫星图像翻译方法

卫星图像翻译是生成对抗网络的重要应用场景之一,现有的卫星图像翻译存在生成质量低、泛化能力弱、计算代价高等问题。在循环生成对抗网络的基础上,通过设计轻量化的注意力残差模块来提高图像翻译质量、减小模型的参数计算量,同时引入最小二乘损失来提高训练过程的稳定性。实验结果表明,所提方法在保持高训练稳定性、低模型计算量的前提下,在卫星图像翻译任务中具有较好的翻译质量。