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。

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。

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%。

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。

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。

基于条件生成对抗网络识别噪声中相贯线焊缝

针对焊接中产生的电弧光和飞溅等噪声的干扰造成相贯线焊缝特征点识别困难这一问题,提出了一种基于条件生成对抗网络的激光图像修复网络与全卷积神经网络(FCN)相结合的相贯线焊缝识别方法。该方法将FCN的识别误差作为损失函数嵌入到生成网络中,并使用信噪比作为阈值控制焊缝图像的识别方法,生成无噪声的激光条纹图像,达到去除噪声干扰、识别焊缝特征点的目的。实验结果表明,该方法针对在不同程度的噪声干扰下,对相贯线型焊缝具有良好的识别效果,识别平均误差0.2 mm,满足自动焊接要求。

基于条件生成对抗网络的视网膜黄斑分割

黄斑在视网膜眼底图像中呈现为一个颜色暗淡的区域,且分割容易受到暗病灶干扰,因此提出一种可以快速准确分割黄斑位置的方法。首先,设计神经网络将深度学习的方法应用到黄斑分割中,并通过上采样过程恢复原始的尺寸;其次,受限于有限的数据集,将条件生成对抗网络(conditional generative adversarial nets,cGAN)引入到黄斑分割中,该方法可生成伪图像作为分割结果,并以一种可解释的方式对此结果进行训练来分割黄斑。实例验证结果表明,该方法可生成高质量图像,并能处理梯度消失的问题,有助于弥补数据样本不足的缺陷,在光照不均和暗病灶干扰的情况下,也能取得很好的分割效果。使用公共数据集MESSIDOR和Kaggle进行了训练和验证,分别得到了94%和99.32%的准确率。

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。

基于条件生成对抗网络的多区域风电短期出力场景生成方法

基于预测功率结果,构建风电出力场景集是电力系统随机优化调度的重要基础。现有多区域风电出力场景生成方法主要是时空相关性系数约束的随机抽样方法。由于风电时空相关性特征的时变非线性,生成的场景集与风电实际出力差异较大。提出一种基于条件生成对抗网络的多区域风电出力场景生成方法。该方法采用三维卷积网络设计适用于多区域风电出力场景生成的网络结构,通过对条件生成对抗网络进行博弈训练,学习到多个区域风电实际出力数据的特征以及输入数据与输出数据之间的映射关系。以我国西北地区5个风电区域为例对所提方法进行分析,并与传统的以相关性系数为约束的拉丁超立方抽样方法进行对比;结果表明,所提方法生成的多区域出力场景集更符合风电出力特征。

基于条件生成对抗网络的手语样本骨架缺失关节点修复

计算机视觉技术由于受到遮挡、视角和光照等因素的影响,对手语样本骨架关节点的检测通常存在缺失,导致手语识别准确率降低.为此,提出基于条件生成对抗网络(CGAN)的手语样本骨架缺失关节点修复方法.首先,通过分析手语样本残缺骨架中关节点的缺失分布情况,构建缺失关节点分布概率模型;其次,对完整骨架引入分布概率模型生成的缺失关节点,将这些残缺骨架用于CGAN框架中生成器和判别器的训练,通过CGAN框架训练好的生成器能够以残缺骨架为条件生成没有缺失的骨架;最后,用生成骨架去补全残缺骨架,即完成了修复.在中国手语数据集CSL上开展实验,生成器迭代训练80次后,生成骨架与完整骨架的平均均方根误差从0.019减小到0.001;在修复骨架缺失关节点的手语样本上,搭建手语识别网络迭代训练120次,与未进行修复相比,其识别准确率从90.6%提升为99.6%.实验结果表明,该方法能够有效地修复缺失关节点,极大地提升手语识别准确率.

基于瞬时轨迹特征图像和条件对抗生成网络的水电机组轴系劣化评估

水电机组轴系对机组稳定性影响显著,针对机组轴系的劣化评估能够直观反映机组运行状态。因此,提出了一种利用瞬时轨迹特征图像和条件对抗生成网络的机组轴系劣化评估方法。先将各支承面反映振动轨迹的垂直信号构造为复信号,使用多变量复信号变分模态分解方法将信号分解并提取椭圆瞬时轨迹离心率、正反向进动分量等瞬时轨迹特征,构造出多个轴承面的特征图像。使用条件对抗生成网络构建健康模型,将机组工况参数和白噪声作为输入,分别拟合出每个轴承面在不同工况中健康状态下特征图像的分布,利用真实图像与健康图像的差异构建健康指标。利用遗传算法对多个轴承面的评价指标权重进行寻优,降低健康区间指标波动性,获取综合轴系劣化曲线。在水电机组轴系数据中进行试验,证明了所提方法的有效性。

基于条件生成对抗网络曲线生成的短期负荷概率预测

为指导电力系统稳定安全运行,提出一种基于条件生成对抗网络(CGAN)曲线生成的短期负荷概率预测方法。首先,以日期、温度、历史负荷等特征为输入,构建基于双向长短期记忆神经网络的日负荷关键值自适应集成预测模型。其次,采用最大信息系数方法为负荷特征赋权,基于加权K最近邻算法、加权重采样构建相似曲线数据集。然后,以负荷关键值和相似曲线数据集分别作为条件和训练集,构建基于CGAN的负荷曲线生成模型,提出数值偏差量与曲线形态偏差量修正损失函数。最后,考虑模型、噪声不确定性,构造由噪声到模型输出概率分布的映射关系,进行短期负荷概率预测。以中国华东某地区电网负荷数据为例,验证了所提方法相对于传统方法具有更高的预测精度。

一种渐进式增长条件生成对抗网络模型

渐进式增长生成对抗网络(PGGAN)是一种能够生成高分辨图像的网络模型,但是当样本间的类别不平衡或者样本类别过于相似或不相似时,容易出现模式崩溃现象而导致生成效果不佳。提出一种渐进式增长条件生成对抗网络(PGCGAN)模型,将条件生成对抗网络的思想引入PGGAN,在PGGAN的基础上加入类别信息作为条件,在网络结构和小批量标准差两个方面对PGGAN进行了改进,缓解图像生成过程中的模式崩溃现象。在对3个数据集的实验中,相比于PGGAN,PGCGAN在起始分数(IS)和Fréchet距离(FID)两个评价图像生成的指标方面都有较大程度的提升,生成的图像具有更高的多样性和真实性;且PGCGAN可以同时训练多个无关联的数据集而不崩溃,在类别不平衡或数据过于相似和不相似的数据集中均能产生高质量的图像。

条件生成对抗网络的翼型反设计方法

针对变体飞行器实时控制翼型形状的需求,提出了基于深度学习的翼型反设计方法,利用多层感知机搭建了由生成器与判别器组成的条件生成对抗网络。生成器从带有随机噪声的气动参数中提取内在特征,习得特征到翼型的映射关系;判别器则将生成器产生的翼型或真实翼型与前述气动参数混合作为输入,输出该翼型为符合指定气动条件的真实翼型的概率。为了优化网络模型,研究并分析了噪声尺寸、超参数及网络结构对模型收敛性能的影响。训练好的网络模型即可根据给定的期望气动参数,快速生成配套的翼型。测试结果表明预测翼型与真实翼型的均方根误差的平均值为0.17%,耗时仅为23 ms,大大提高了设计精度与效率;并且在有噪声干扰情况下依旧保持良好的设计性能,增强了翼型设计模型的鲁棒性。研究成果可以应用于变体飞行器自适应在线最优气动构型控制。

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。

一种基于条件生成对抗网络的单幅图像去雾算法

针对雾(霾)会显著降低基于图像制导武器的可见光侦测设备成像质量,从而干扰对目标精确识别的问题,提出一种基于条件生成对抗网络的单幅图像去雾算法。在生成器下采样中使用软池化运算,以提高细粒度特征的提取能力;加入全局平均池化层,旨在消除图像边缘的震荡效应,提高去雾图像清晰度;简化判别器结构,优化损失函数权重值确定方法,提升网络模型训练效率。实验结果表明:去雾后的图像清晰锐利,色彩自然,在结构相似性、峰值信噪比和图像信息熵等客观定量指标上优于经典去雾算法,对去雾后图像进行目标检测的平均精度均值提升了4.13%。

基于条件生成式对抗网络和AlexNet-BiLSTM模型的变电设备缺陷检测

针对巡检机器人拍摄变电设备图像含噪严重、图像模糊和分辨率低影响设备缺陷检测的问题,提出一种基于条件生成式对抗网络和AlexNet-BiLSTM的变电设备缺陷检测方法,实现变电设备缺陷定位与辨识。首先,通过条件生成式对抗网络将模糊图像转换成清晰图像;其次,为了避免大量超参数的设置,提高网络的训练速度,引入迁移学习思想,采用变电设备图像训练预训练的AlexNet网络,通过AlexNet网络提取图像的高维特征向量,利用双向长短时记忆网络(bi-directional long short-term memory, BiLSTM)对提取的特征向量进行分类;最后,在R-CNN框架下完成变电设备缺陷的标注和辨识。试验结果表明,所提方法复原的图像主观视觉效果良好,客观评价指标高,提高了变电设备缺陷检测准确率。