基于条件GAN的无人机智能光通信

首先介绍了无人机激光通信技术的先进性和重要性,然后引入深度神经网络(DNN)来开发无线端到端通信系统,其中DNN被应用于:编码,解码,调制和均衡。准确的信道状态参数(CSI)是计算DNN所必须的,但在激光通信系统中,信道信息很难提前获得或随时间和环境变化很大,本文将使用条件生成对抗网(GAN)来表示信道效应,其中发射机的编码信号和与导频数据相对应的接收信号将用作条件信息。通过对加性高斯白噪声(AWGN)和对数正态信道的仿真结果表示,该方法可以做到无明确CSI情况下完成高质量传输。

基于条件GAN的复杂动作图像轮廓智能捕捉研究

针对复杂动作本身的高动态性和多样性,传统的图像处理方法难以准确捕捉其轮廓,文中研究基于条件GAN的复杂动作图像轮廓智能捕捉方法,精准了解动作执行情况。该方法利用像素覆盖分割模型来分割原始复杂动作图像,获取复杂动作目标图像,将其作为约束条件输入生成器,经过编解码器处理后输出虚假复杂动作图像轮廓生成结果,判别器将生成器输出的虚假轮廓和真实复杂动作图像轮廓作为输入,在损失函数作用下进行真假判别,并采用反向传输的方式对生成器和判别器的参数进行迭代更新,实现最佳复杂动作图像轮廓智能捕捉。结果显示:该方法可以有效捕捉不同类型的复杂动作图像轮廓,通过消融实验证明,改进后的条件GAN模型可显著提升捕捉到的图像轮廓的平滑度和形状保持性,为捕捉复杂动作图像轮廓提供了一种新方法。

基于改进CGANs的入侵检测方法研究

近年来,机器学习算法在入侵检测系统(IDS)中的应用获得越来越多的关注。然而,传统的机器学习算法更多的依赖于已知样本,因此需要尽可能多的数据样本来对模型进行训练。遗憾地是,随着越来越多未知攻击的出现,且用于训练的攻击样本具有不平衡性,传统的机器学习模型会遇到瓶颈。文章提出一种将改进后的条件生成对抗网络(CGANs)与深度神经网络(DNN)相结合的入侵检测模型(CGANs-DNN),通过解决样本不平衡性问题来提高检测模型对未知攻击类型或只有少数攻击样本类型的检测率。深度神经网络(DNN)具有表征数据潜在特征的能力,而经过改进后的条件CGANs,能够通过学习已知攻击样本潜在数据特征分布,来根据指定类型生成新的攻击样本。此外,与生成对抗网络(GANs)和变分自编码器(VAE)等无监督生成模型相比,CGANsDNN经过改进后加入梯度惩罚项,在训练的稳定性上有了很大地提升。通过NSL-KDD数据集对模型进行评估,与传统算法相比CGANs-DNN不仅在整体准确率、召回率和误报率等方面有更好的性能,而且对未知攻击和只有少数样本的攻击类型具有较高的检测率。

基于条件生成式对抗网络的情感语音生成模型

提出了一种基于条件生成对抗网络的情感语音生成技术,在引入情感条件的基础上,通过学习语音库中的情感信息,能够自主生成全新的富有指定情感的语音.生成式对抗网络是由一个判别网络和一个生成器组成.使用TensorFlow作为学习框架,利用条件GAN模型对大量情感语音进行训练,利用语音生成网络G和生成网络D构成动态"博弈过程",更好地学习观测语音情感数据的条件分布.其生成样本接近原始学习内容的自然语音信号,具有多样性,而且能够逼近符合真实情感的语音数据.所提出的解决方案在交互式情绪二进制动作捕捉IEMOCAP语料库和自建情感语料库上进行评估,并且与现有情感语音生成算法相比显示出提供更准确的结果.