基于生成对抗网络模型的小样本PM_(2.5)预测

针对目前数据驱动的方法在小样本下PM_(2.5)预测准确率较低的问题,提出一种基于生成对抗性网络(GAN)模型PME-GAN,用于在线预测PM_(2.5)浓度值。在生成器中加入长短期记忆网络(LSTM)并用于提取输入数据的时序特征,在判别器中加入多层感知机网络(MLP),通过生成器对PM_(2.5)浓度值进行预测。与LSTM、GRU、CNN-LSTM和CNN-GRU 4种模型进行对比实验,结果表明,该方法在小样本数据集上具有更高的预测准确率,对保定测试集的后25%数据开始预测,预测效果很好。

基于生成对抗网络的遥感图像锐化方法

现有遥感图像锐化方法普遍采用Wald协议,导致重建图像存在空间纹理细节和颜色模糊、边缘过于平滑的问题。针对该问题,提出基于生成对抗网络(Generative Adversarial Networks,GAN)的遥感图像锐化方法PAN-GAN。该方法将多光谱图像作为参考图像,使用灰度化的参考图像模拟全色图像,并与模糊化的参考图像共同作为生成器输入,由生成器分别提取前者的纹理细节特征和后者的光谱特征并进行融合重构;引入感知损失,联合对抗损失和像素损失共同优化重构图像,使重构图像具有更加逼近参考图像的光谱和纹理细节特征。在QuickBird,GaoFen-2和WorldView-2这3个遥感卫星的图像数据集上进行实验,结果表明:与常用方法相比,使用PAN-GAN得到的重构图像具有更加逼真的光谱和空间纹理细节;使用灰度化的参考图像能够显著提升原有方法的性能并且平均灰度化提升最为明显;感知损失的引入进一步优化了重构结果,验证了所提方法的有效性。

基于生成对抗网络比例标签学习在信贷客户分类中的应用

由于隐私保护问题,银行无法完全获取客户的信息,特别是信贷客户的违约信息,从而加大了银行的财务风险。决策树、支持向量机等传统的机器学习方法基于标签已知的学习场景进行模型构建,但在没有标签的情况下构建分类模型是一个巨大的挑战。标签比例学习问题的提出,为这一困境提供了解决思路。在仅使用无标签样本的标签比例信息的条件下,构建一个分类模型,可以对信贷客户进行有效分类,具有重要的现实意义和实践价值。笔者将比例标签学习问题和机器学习中的流行算法生成对抗网络相结合,对UCI数据集German Credit Dataset进行随机分包,通过对比有无标签下算法的训练结果,证明了所提出算法的有效性。

智能网联汽车网络异常故障检测方法

近年来,随着传感器技术、物联网技术、通信技术和人工智能技术的不断发展,智能网联汽车处于高速发展时期,为智能网联汽车的技术提升与发展提供了技术保障。随着开放性通信技术的发展,智能网联汽车在应用过程中遭受网络攻击几率增加,现有网络安全技术逐渐不适用于智能网联汽车。汽车网络异常监测技术可以对特定场景中的恶意网络攻击行为进行预测,是一种有效的防御手段。针对目前智能网联汽车安全问题,提出一种新型网络安全技术,可以提升对智能网联汽车多种网络异常行为的预测能力。研究结果对于提升智能网联汽车通信安全与发展速度提供技术保障。

采用非平衡小样本数据的风机主轴承故障深度对抗诊断

风机主轴承振动信号中存在噪声干扰,且实验环境下获取众多故障类型与故障程度数据难度大、成本高。为提高高噪声环境下基于小样本非平衡振动数据的风机主轴承故障诊断准确率,提出采用改进辅助分类生成对抗网络(auxiliary classifier generative adversarial networks,AC-GAN)的风机主轴承故障诊断新方法。首先,在AC-GAN生成器中加入Dropout层,防止过拟合导致生成重复的样本数据,保证样本生成质量。之后,在AC-GAN判别器加入卷积层,提取更多细节特征,并引入噪声过渡模型、重定义损失函数,提高判别器抗噪能力。然后,为训练样本添加标签约束,使生成器针对性生成大量符合真实样本概率分布特性的非平衡场景下小样本故障类型数据,由此,实现判别器增强。最后,通过判别器与生成器博弈达到平衡,提高小样本非平衡场景下故障识别准确率。实验表明,在高噪声干扰、样本数量不足及不同类型样本训练集规模非平衡等复杂场景下,新方法依然能够保持良好的主轴承故障识别准确率。

基于深度学习的行人重识别综述

行人重识别(Re-ID)是计算机视觉领域的热点问题,主要研究的是“如何关联位于不同物理位置的不同摄像机捕获到的特定人员的问题”。传统的行人Re-ID方法主要基于底层特征如局部描述符、颜色直方图和人体姿势的提取。近几年,针对行人遮挡和姿势不对齐等传统方法所遗留问题,业内提出了基于区域、注意力机制、姿势和生成对抗性网络(GAN)等深度学习的行人Re-ID方法,实验结果得到较明显的提高。故对深度学习在行人Re-ID中的研究进行了总结和分类,区别于以前的综述,将行人重识别方法分成四大类来讨论。首先,通过区域、注意力、姿势和GAN四类方法来综述基于深度学习的行人Re-ID方法;然后,分析这些方法在主流数据集上的mAP和Rank-1指标性能表现,结果显示基于深度学习的方法可以增强局部特征之间的联系并缩小域间隙,从而减少模型过拟合;最后,展望了行人Re-ID方法研究的发展方向。

基于坐标注意力机制的人脸图像超分辨率重建算法

针对传统的人脸超分辨率图像重建技术,人脸特征信息提取与恢复中存在特征丢失的问题,文中提出了一种基于坐标注意力机制的IP-FSRGAN人脸图像超分辨率重建算法,以帮助生成器学习到更多的人脸特征信息并合成更真实的超分辨率人脸图像。在放大倍数为4时,采用LFW数据集测试模型性能。实验结果显示,该方法与IP-FSRGAN相比,PSNR提升0.14%,SSIM提升0.59%,Y通道PSNR提升2.43%,SSIM提升0.38%,在定量上均优于SRGAN、ESRGAN、IP-FSRGAN等人脸重建方法。实验证明,文中所提基于坐标注意力机制的IP-FSRGAN人脸图像超分辨率重建算法在人脸超分辨图像重建上具有良好的有效性。

基于边缘GAN的图像修复算法

图像修复技术一般包括图像去噪、图像补全等多个方面。基于目前图像补全的发展现状,设计一种利用图像中存在的信息生成缺损信息的算法。当前,许多基于深度学习的方法可以实现较传统方法更有效的修复,但难以恢复出高精度的图像细节,甚至有时无法得到有意义的图形结构。实现了一种基于边缘学习的图像修复算法,能做到在修复图像的基础上展现出更好的细节修复能力。该算法是一个基于边缘学习的二阶有条件的生成式对抗性模型,该模型包含一个边缘生成器以及一个图像补全网络。我们用CelebA、Places2和Paris StreetView三个数据集训练该边缘连接模型并进行测试评估,证明了该算法相比之前算法的优越性。

深度学习地震数据重建方法研究综述

由于自然条件限制和人为因素的影响,实际采集得到的地震数据往往会出现地震道数据缺失的情况,会对后续的地震数据处理和解释制造困难,需要对地震数据进行重建.而传统地震数据重建方法通常存在着重建效果受先验条件约束、超参数选择需要人工干预、自动化程度低等问题.于是人们将目光投向发展迅速的深度学习领域,截至今日已经有不少深度学习方法应用于地震数据重建领域以解决上述地震数据重建过程中的问题.本文将着重分析具有代表性的深度学习地震数据重建方法,分别基于卷积神经网络、循环神经网络、卷积自编码器、生成对抗性网络.通过重建结果残差对比图,重建结果信噪比分析等方法对深度学习地震数据重建方法的优势和不足进行深入探讨.并进一步阐述深度学习地震数据重建方法的研究现状、方法优势、存在的问题以及未来发展趋势,对现今的深度学习重建方法进行总结和展望.