一种生成式神经网络的道路简化方法

道路数据具有数量大、变化频率高的特点,是地理空间数据的重要组成部分,道路要素化简也是地图制图综合和空间数据更新的核心技术环节之一。传统方法基于数据点压缩、弯曲识别和现有机器学习算法在道路化简中存在稳定性差、可控性弱,自动化程度低等问题,本文在视觉思维和句法模式相结合的理论基础上,利用深度学习算法的特征挖掘能力将生成式人工神经网络模型引入道路化简领域。首先,将需化简道路数据转化为序列数据,提取其序列特征,以此构造特征数据集;然后,利用门控循环单元(gated recurrent unit,GRU)神经网络构建的Seq2Seq编码模型,将大比例尺道路数据进行嵌入形成高维语义编码,通过对语义编码的解码生成化简后的小比例尺道路数据;最后,根据弧段压缩率、长度变化率、曲线折度、缓冲区限差4个指标评估模型有效性和适用性。通过试验与传统算法对比试验表明,本文模型可应用到道路形状化简中,丰富道路化简方法,促进地图制图综合智能化发展。

融合生成式神经网络和深度神经网络的流量异常检测

针对网络攻击隐蔽性和动态多变的特征,提出一种融合生成式神经网络和深度神经网络的流量异常检测方法,该方法针对网络流量数据不平衡问题,采用生成式神经网络实现样本库的扩充,在此基础上,采用Dense Net实现网络流量多层次特征的提取,该方法通过加强不同层次特征的传递,实现不同层次特征的融合,为网络流量异常识别提供基础。实验表明,本文提出的方法在准确率、召回率、漏检率以及平均处理时间均优于单纯使用CNN或LSTM的方法,因此,本文方法能够有效检测网络异常流量,具有一定的可用性。

生成式对抗神经网络的改进及其在地震数据压噪中的应用

常规的生成式对抗神经网络在地震数据去噪过程中受模型限制,地震数据有效信息还原能力差。因此,对生成式对抗神经网络进行改进,以U-net神经网络为基础建立更深层级的生成器神经网络,优化模型的批标准化层和池化层,提升特征还原能力,搭建多尺度判别器神经网络,提升判别器性能,提出一种包含对抗损失、配准损失和结构信息损失的多层次综合损失函数。改进后的模型结构无需预先估计噪声,能够实现端到端的盲去噪功能,神经网络泛化能力强,对数据细节的保护还原水平高。南海北部涠A地区地震数据测试结果表明,改进后的神经网络去噪能力以及对地震有效信息的保护要优于目前常见的去噪算法的结果,去噪过程对地震有效反射信息保护好,地震边界信息成像质量高。与常见的去噪方法相比,改进的生成或对抗神经网络方法在地震数据去噪中具有良好的应用效果,去噪能力强,在实际地震数据处理中具有良好的推广价值。

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。

生成式对抗神经网络的多帧红外图像超分辨率重建

生成式对抗神经网络在约束图像生成表现出了巨大潜力,使得其适合运用于图像超分辨率重建。但是使用生成式对抗神经网络重建后的超分辨率图像存在过度平滑,缺少高频细节信息的缺点。针对单帧图像超分辨率重建方法不能有效利用图像序列间的时间-空间相关性的问题,提出了一种基于生成式对抗神经网络的多帧红外图像超分辨率重建方法(M-GANs)。首先,对低分辨率图像序列进行运动补偿;其次,使用权值表示卷积层对运动补偿后的图像序列进行权值转换计算;最后,将其输入生成式对抗重建网络,输出重建后的高分辨率图像。实验结果表明:文中方法在主观及客观评价中均优于当前代表性的超分辨率重建方法。

基于关联分析的生成式对抗神经网络的风电机组故障诊断研究

由于风机在实际生产过程中受环境因素影响较大,导致风机故障数据匮乏,数据库不充足,给风机工作过程中的状态监控、风机故障预测和诊断带来很大困难。首先,利用数据关联分析法对不同位置、不同环境条件下的风机故障数据进行特征值的提取,将带有特征值的少量历史故障数据带入到生成式对抗神经网络中;其次,利用生成式对抗神经网络对少量历史故障数据进行扩充,训练神经网络;最后,神经网络训练完成后,当实时风机状态数据输入到网络中时,即可分析出风机的实时状态,达到提高风机状态监控和故障预测的精确度,提高了准确性。

基于GAN的轻量级水下图像增强网络

由于光在水下存在吸收与散射,导致水下图像存在颜色失真和细节损失,严重影响了后续水下目标的检测和识别。本文提出了一种轻量级全卷积层的生成式对抗神经网络模型(DUnet-GAN)来增强水下图像。针对水下图像的特点,提出了多任务目标函数,使得模型从感知图像的整体内容、颜色、局部纹理和风格信息等方面来增强图像的质量。此外,与现有的一些重要的模型做了对比,进行了定量的评估。结果表明,在EUVP数据集中本文所提模型峰值信噪比在26 dB以上,结构相似度为0.8,参数量为11 MB,仅为其他达到同等性能模型参数量的5%且比26 MB参数量的FUNIE-GAN指标更好。同时UIQM为2.85,仅次于Cycle-GAN模型,且主观增强效果显著。更重要的是,增强后的图像为水下目标检测等模型提供了更好的性能,也满足了水下机器人等设备对模型的轻量化要求。

采用深度学习的永磁同步电机匝间短路故障诊断方法

针对永磁同步电机匝间短路故障诊断方法因结构复杂、样本特征稀少和大数据冗余等因素引起的诊断困难问题,基于生成式对抗和稀疏自编码深度学习网络提出一种高效准确的匝间短路故障诊断方法。该方法通过采集永磁同步电机负序电流和转矩特征信号,利用生成式对抗神经网络完成样本数据扩张,构建鲁棒、多样的训练集合,结合稀疏自编码网络实现高效准确的故障特征分类、诊断。实验表明该方法实现了对永磁同步电机负序电流和转矩特征信号的样本数据扩张,构建了优化深度网络实现高效准确的电机匝间短路诊断。数据显示,采用此方法的匝间短路故障诊断准确率高达99.4%。

运动模糊图像的恢复技术研究

针对运动模糊图像的恢复,提出了基于生成式对抗神经网络(GAN)网络与FSRCNN网络的方案。采用GoPro模糊图像数据集与DIV2K图像恢复数据集进行网络训练;通过图像处理对模糊图像进行规格化、归一化、色彩空间转换等预处理操作;利用GAN对模糊图像进行图像恢复,并结合FSRCNN针对模糊图像进行图像增强;针对GAN与FSRCNN的处理结果进行分析与对比,经由FSRCNN网络图像增强的恢复图像的峰值信噪比虽然有一定的下降,但结构相似度则得到了提升。实验结果表明本文的算法方案具有较好的可行性。

基于群智协同计算的高速列车概念生成设计研究

为了满足不同学科领域的大众参与到高速列车的概念设计过程中贡献创意,开展了基于群智协同的高速列车计算机辅助概念设计研究。旨在通过人机共创与协同的方式,降低设计门槛,启发高速列车设计过程中的创造性与想象力,具像化头脑中所闪现的设计灵感,以及简化创作原始草图的时间精力。基于创意支持理论与高速列车概念设计的不同阶段,提出了三个创意启发策略,以促进设计构思过程中的发散式思维与收敛式思维。通过构建一套高质量的高速列车概念设计数据集,使用深度生成式对抗神经网络(GAN)实现创意启发策略。系统以设计师的输入作为限制,生成同时具备延续性与新奇性并符合审美的设计方案。通过实验评估验证所提出方法的有效性,阐述了定性分析的结果,为群智协同设计研究提供参考。