融合生成对抗网络和难例挖掘的产品质量预测模型

针对连续性工业生产特点,重点关注类别不平衡造成的不合格样本召回率低问题。为了从高维数据提取有效特征,结合one class F-score和最小冗余最大相关性在特征提取方面的优势,有效降低特征维度并提取有价值特征;利用Wasserstein生成对抗网络(WGAN)方法扩增不合格样本数量;通过类别权重优化Focal Loss函数以提高困难样本识别率;通过轻量级梯度提升机算法结合阈值移动策略,构建基于WGAN数据增强和难例挖掘技术的质量预测模型(WGAN_Focal Loss_LGB(TM))。将所提模型应用于开源SECOM数据集,验证了所提方法的有效性。

多时间尺度下变体生成式对抗网络的股价预测

股价预测能为公司经营、投资决策和市场监管提供重要依据。【目的】为了避免特征提取不足与预测不准等问题,我们构建了多时间尺度下变体生成式对抗网络对股价涨跌方向进行预测。【方法】首先以双向长短期记忆网络构造生成器,以卷积神经网络构造判别器;然后分别对生成器与判别器在多时间尺度数据上进行博弈训练,提取长期与短期特征后将结果拼接;最后获得预测模型。【结果】选取沪深300指数、建设银行与陕西煤业股价为样本进行实证分析,试验发现沪深300指数涨跌预测准确率达到59.63%,个股数据验证表明本文模型具有一定的稳定性与优越性。【结论】本模型能提高预测股价涨跌的准确率,丰富了金融数据分析方法。

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。

基于生成式对抗网络的类不平衡软件缺陷预测过采样方法

为了解决软件缺陷预测中的类不平衡问题,该文提出了一种新颖的基于生成式对抗网络(Generative adversarial networks,GAN)的过采样方法。GAN网络能够充分利用样本分布的空间关系,挖掘出样本之间隐藏的一些关联信息,通过生成器和判别器交替优化的方式使得生成的新样本更加合理科学。在26个不平衡的数据集上进行了试验,并与一些过采样方法以及未采样的方法在8个分类器上进行了广泛比较。试验结果表明,该文方法在Precision、Recall、F-measure和G-mean上都取得了最好的效果。

基于生成式对抗网络的股价预测研究

为了降低股票市场中噪声信息和投资者情绪对股票价格的影响,以便给投资者带来较高的投资回报并降低交易风险,特提出一种基于金融双向编码器表征和瓦瑟斯坦距离的生成式对抗网络(financial bidirectional encoder representation from transformers and Wasserstein generative adversarial networks,FWGAN)股价预测模型。本模型首先采集东方财富网股评数据,并利用自然语言处理预训练模型将股评数据量化为情绪值,然后将情绪值连同历史股票交易数据、技术指标数据输入由长短期记忆网络(long-short-term memory,LSTM)为生成器和卷积神经网络(convolutional neural network,CNN)为判别器组成的FWGAN模型中进行训练。对比LSTM模型、门控神经网络(gated recurrent units,GRU)模型和生成式对抗网络(generative adversarial networks,GAN)模型对山西汾酒股价的预测性能,结果表明,FWGAN模型的均方根误差为2.572,达到最低,预测效果最好。试验结果验证了本模型对股票时间序列预测的有效性和优越性,可以为投资者进行股价预测提供参考。

基于生成对抗网络的太阳辐照度预测模型

为了进一步提高辐照度预测的精度,提出一种改进的太阳辐照度预测深度混合模型,即自编码器条件深度卷积生成对抗网络(auto encoder-conditional-depth convolution generation adversarial networks,AE-C-DCGAN)模型。该混合深度模型集成了自编码器(auto-encoder,AE)和条件深层卷积生成对抗网络(conditional-depth convolution generation adversarial networks,C-DCGAN)模型,AE用于减少辐照度序列的非线性和非平稳性,C-DCGAN由卷积和反卷积层堆叠而成,用于时间特征提取和预测工作。与7种较流行模型的实验对比结果表明,AE-C-DCGAN模型的误差最小;与次优预测模型相比,AE-C-DCGAN模型的四季预测结果的平均绝对误差、平均绝对百分比误差和均方根误差分别平均降低了4.84%、8.49%、7.32%,表明本文提出的模型能够有效提升太阳辐照度的预测精度。

基于数学模型分析教师使用生成式大语言模型的影响因素研究

随着教育界对人工智能技术的广泛应用和深度探索,尤其以文心一言、ChatGPT等生成式大语言模型为代表的先进技术,在高等教育环节中展现出了愈发显著的应用潜力。本文通过建立数学神经网络模型分析高校教师在采纳生成式大语言模型进行教学的影响因素。研究团队通过发放问卷的形式,利用Pearson相关系数矩阵对数据进行一致性与相关性分析。然后,建立GA-BP神经网络预测模型,分析发现感知信任、感知专业及感知智能,均在不同程度上能够正面预见他们对人机协同教学模式持有的肯定立场。为高校教师进一步利用生成式大语言模型提高教学质量提供了理论指导。

基于长短期记忆生成对抗网络的小麦品质多指标预测模型

小麦多生理生化指标变化趋势反映了储藏品质的劣变状态,预测多指标时序数据会因关联性及相互作用而产生较大误差,为此该文基于长短期记忆网络(LSTM)和生成式对抗网络(GAN)提出一种改进拓扑结构的长短期记忆生成对抗网络(LSTM-GAN)模型。首先,由LSTM预测多指标不同时序数据的劣变趋势;其次,根据多指标的关联性并结合GAN的对抗学习方法来降低综合预测误差;最后通过优化目标函数及训练模型得出多指标预测结果。经实验分析发现:小麦多指标的长短期时序数据的变化趋势不同,进一步优化模型结构及训练时序长度可有效降低预测结果的误差;特定条件下小麦品质过快劣变会使多指标预测误差增大,因此应充分考虑储藏期环境变化对多指标数据的影响;LSTM-GAN模型的综合误差相对于仅使用LSTM预测降低了9.745%,并低于多种对比模型,这有助于提高小麦品质多指标预测及分析的准确性。

基于生成式对抗神经网络的股票预测研究

针对股票价格具有非线性、非平稳的特点,提出一种结合自注意力机制和残差网络的生成式对抗神经网络模型(SAR-GAN)。该模型的生成器(generator)由长短期记忆网络(LSTM)层、自注意力机制层、残差层等构建而成,用于生成所预测股票的价格;判别器(discriminator)用于鉴别生成的股票价格与真实的股票价格。为验证模型良好的泛化性,选取上证指数及不同股票市场的热点行业龙头股票进行预测实验。实验结果表明,与LSTM、GRU、CNN-LSTM、CNN-GRU等模型相比,SAR-GAN模型能不同程度地减少预测误差。

基于生成式对抗网络的区分度模型

为了提升图像相似度判别的有效性,通过定义相似度差值(或区分度),设计了基于生成式对抗网络的区分度模型,并与传统的区分度模型进行了对比试验.试验结果表明,本文模型提升了图像相似度的有效性和稳定性.

生成对抗网络改进角度与应用研究综述

生成对抗网络(GAN)作为一种新兴的生成式模型,逐渐发展应用于图像生成、三维重构、跨模态转换等领域,有效解决了常规卷积神经网络在图像生成类任务方面效率低下的问题,填补了深度学习在图像生成领域上的短板。为了帮助后续研究人员快速并全面了解GAN,根据近年来的文献对GAN的改进模型进行梳理。首先从网络结构、目标函数两个角度介绍了GAN的基本原理,然后对GAN的各种衍生模型从改进角度、应用类型两个方面进行详细的阐述和总结,分别从主观定性、客观定量和任务专项评估等角度对生成图像的质量和多样性进行归纳分析,最后讨论了GAN系列模型近年来的一些核心问题与最新研究进展,并分析了未来的发展趋势。

基于生成式对抗网络的链路预测方法

近些年来,网络中链路预测问题逐渐兴起。相比于传统启发性模型,以神经网络为基础的链路预测方法由于其能够自我学习的优点,逐渐获得研究者的青睐。结合生成式对抗网络,一种创新性的链路预测方法WL-GAN(Weisfeiler-Lehman generative adversarial networks)被提出。WL-GAN首先利用子图提取算法与子图编码算法,为网络中的每条已知关系的节点对构造以该节点对为结构中心的节点对子图,并获得相应连接矩阵。随后,利用矩阵数据来训练生成式对抗网络,最终可以获得能够判断子图中心节点对是否存在链路的判别器。实验结果表明,WL-GAN拥有优秀的性能与稳定性。

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.

基于生成式对抗网络的结构化数据表生成模型

在机器学习和数据库等领域,高质量数据集的合成一直以来是一个非常重要且充满挑战性的问题.其中,合成的高质量数据集可用来改善模型,尤其是深度学习模型的训练过程.一个健壮的模型训练过程需要大量已标注的数据集,获取这些数据集的一种方法是通过领域专家的手动标注,这种方法不仅代价大还容易出错,因此由模型自动合成高质量数据集的方法更为合理.近年来,由于计算机视觉领域的飞速发展,已经有不少致力于图像数据集合成的研究,但是这些模型不能直接应用在结构化数据表上,并且据调研,对这类数据的相关研究几乎没有.因此,提出了一个针对结构化数据表的生成模型TableGAN,该模型是生成式对抗网络(generative adversarial network, GAN)家族的一种变体,通过对抗训练的方式提高生成模型的性能.针对结构化数据的特征改变了传统GAN模型的内部结构,包括优化函数等,使其能够生成高质量的结构化数据用于改善模型的训练过程.通过在真实数据集上的大量实验表明了此模型的有效性,即在扩大后的数据集上训练模型的效果有明显提升.

生成式对抗网络模型研究

在系统的总结GAN原始模型的提出背景、基本原理与基本框架的基础上,归纳总结了基于距离度量与能量模型角度而提出的衍进模型f-GAN、WGAN、WGAN-GP、EBGAN;针对解决原始GAN模型的不稳定性而提出的衍进模型DCGAN、Improved GAN、PGGAN;基于模型结合角度而提出的GAN+LAP、GAN+LSTM、GAN+CVAE、GAN+AE以及针对增强模型实用性而提出的衍进模型SGAN、CGAN、InfoGAN。对GAN的一些具体应用领域和场景进行了梳理和介绍。

生成式对抗网络GAN的研究进展与展望

生成式对抗网络GAN(Generative adversarial networks)目前已经成为人工智能学界一个热门的研究方向.GAN的基本思想源自博弈论的二人零和博弈,由一个生成器和一个判别器构成,通过对抗学习的方式来训练.目的是估测数据样本的潜在分布并生成新的数据样本.在图像和视觉计算、语音和语言处理、信息安全、棋类比赛等领域,GAN正在被广泛研究,具有巨大的应用前景.本文概括了GAN的研究进展,并进行展望.在总结了GAN的背景、理论与实现模型、应用领域、优缺点及发展趋势之后,本文还讨论了GAN与平行智能的关系,认为GAN可以深化平行系统的虚实互动、交互一体的理念,特别是计算实验的思想,为ACP(Artificial societies,computational experiments,and parallel execution)理论提供了十分具体和丰富的算法支持.

基于改进Wasserstein生成式对抗网络的电力系统不良数据辨识

随着新能源并网以及大量电力电子器件的投入,电力系统的数据类型向多元复杂化的趋势发展。针对大规模电力系统中出现的不良数据辨识性能差、辨识效率低的问题,提出了一种基于改进Wasserstein生成式对抗网络(WGAN-GP)的不良数据辨识方法。基于历史数据库中的状态量得到多断面正常量测数据并训练WGAN-GP模型;将含不良数据的量测信息输入训练好的WGAN-GP模型,得到对应的量测重构数据,并得到最终的量测重构误差;为了避免人为确定阈值的主观性,提出了一种基于C4.5决策树模型的不良数据阈值确定方法,将量测重构误差输入训练好的决策树模型,即可定位1组量测信息中的不良数据位置。以IEEE标准系统和某实际省网为算例进行仿真测试,结果表明相较于已有方法,所提方法具有更好的辨识性能和更高的辨识效率。

面向高光谱影像分类的生成式对抗网络

为了提高高光谱影像分类精度,提出了一种基于生成式对抗网络的高光谱影像分类方法。生成式对抗网络由生成器、判别器和分类器3部分组成,其中生成器用于模拟高光谱样本的数据分布,生成特定类别的样本;判别器是一个二值分类器,用于判断输入的样本是否为真实数据;分类器用于对输入的样本进行分类。利用反向传播算法依次更新生成器、判别器和分类器的网络参数使损失函数最小,从而达到训练网络的目的。生成器和判别器能够模拟高光谱影像的样本分布来辅助训练分类器,因此能够提高高光谱影像的分类精度。分别采用Pavia大学和Salinas高光谱数据集进行分类试验,试验结果表明提出的分类方法能够在小样本条件下提高高光谱影像的分类精度。

生成式对抗网络图像增强研究综述

近年来,生成式对抗网络(GAN)为图像增强提供了新的技术和手段,具有比传统深度学习更强大的特征学习和表达能力,在图像增强领域取得了显著成功。文章首先介绍了GAN模型的基本思想和原理,分析了GAN各个变体改进的方式及优缺点;其次从图像质量提高、图像生成、图像补全和其他图像处理的应用等方面分析了GAN应用于图像增强的研究现状;最后归纳总结了GAN模型与其在图像增强中面临的问题,并对问题的解决方案及未来应用进行了总结展望。

基于数据增广的区域供热系统热力站负荷预测模型准确率提升方法研究

开展了热力站数据生成模型研究,基于生成对抗网络和去噪扩散概率模型建立了数据生成模型,通过学习气象、室温、热力站运行数据的联合分布,对原始训练数据进行增广,为预测模型训练提供充足的数据支撑,从而提高预测模型的准确率。在北京市某热力站进行了验证和实际测试,结果表明:该方法可以将热力站一次侧电动调节阀开度和二次网供水温度的预测误差分别降低约7%和11%;同时,应用准确率提升后的负荷预测值进行供热量调节得到的预计室温与室温目标值之间的偏差可进一步降低5.44%。基于生成对抗网络的生成模型能够扩展预测模型的预测范围,基于去噪扩散概率模型的生成模型能够在原预测范围内提高预测模型的准确率。本文研究可为进一步提高区域供热系统热力站负荷预测能力与按需精准调控水平提供支撑。