对抗神经网络在轴承故障诊断中的应用

针对条件对抗神经网络(CGAN)只能进行真假不能进行分类判别和半监督对抗神经网络(SGAN)需要同时进行分类和真假判别的缺点,提出了一种改进对抗神经网络CSGAN模型,并给出了具体设计。该对抗网络的生成器G以CGAN为基础,由多层感知机(MLP)构成;判别器D以SGAN为基础,由卷积神经网络(CNN)构成。基于CSGAN,还提出了一种二维对抗神经网络轴承故障诊断方法,该方法首先将原始故障信号归一化到[-1,1]区间,然后利用一个滑窗从归一化数据中截取1024长度的数据,并转换构成32×32尺寸的二维矩阵作为CSGAN的输入。经多个公开数据集验证表明,这一诊断方法在不同样本比例的情况下都能有效提高判别器的诊断精度,具有良好的适用性。

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。

基于生成对抗神经网络的流量生成方法研究

网络仿真中的流量生成对于确保仿真效果至关重要。目前常见的网络流量生成器通常基于某种随机模型,生成的流量只能服从指定的随机分布。实际网络中的随机模型往往难以确定,导致现有模型对真实网络流量的仿真有一定的偏差。为了解决这些问题,提出了基于生成对抗神经网络的时空相关流量生成模型;对网络流量数据改进了其编码方式,并使用Z-score处理流量数据,使数据趋于标准正态分布;提出了一种网络流量时空相关性的度量方法。实验结果表明,相较于现有的基线生成方式,所提出的方法在真实性和相关性的度量上平均提高了9%。

基于循环对抗神经网络的快速最小二乘逆时偏移成像方法

最小二乘逆时偏移成像方法因计算量巨大,限制了其大规模的工业应用。基于此,建立循环对抗神经网络表征Hessian矩阵的逆,构建逆时偏移结果和反射系数之间的映射关系。通过建立的神经网络对逆时偏移成像结果进行去模糊化处理,提高成像质量,同时大幅减少计算时间。将训练好的网络应用于Marmousi模型和Sigsbee2A模型的逆时偏移结果。结果表明,本文方法在不显著增加计算量的情况下较好地提高了逆时偏移成像质量。

基于梯度惩罚-生成对抗神经网络的页岩三维数字岩心重构

数字岩心技术在油气的勘探开发中发挥着越来越重要的作用。由于传统的数字岩心重构方法存在成本高、耗时长等问题,提出使用带有梯度惩罚的生成对抗神经网络(WGAN-GP)实现页岩的三维数字岩心重构。以三组分的页岩图像为训练样本进行模型的训练,得到了可以生成三维页岩图像的生成器模型,进而重构了多个三维岩心图像。将重构岩心与原始岩心进行了各种参数的对比分析,结果表明重构岩心与原始岩心具有很好的一致性,证明了本文方法的可靠性。使用WGAN-GP进行岩心重构具有岩心生成速度快、重构图像尺寸不受限制等优点,具有广泛的应用前景。

引入位置编码机制对抗网络的文本生成模型

针对目前对抗网络文本生成模型在生成文本时,出现词与词之间位置关系紊乱导致文本逻辑不通的问题,该文提出了一种引入位置编码机制对抗网络的文本生成模型(Position-Encoding GAN,PE_GAN)并进行探讨和验证。在对抗神经网络模型的基础上引入位置编码机制,可以通过带有位置编码的词向量来标记文本中词与词之间的位置关系,生成器和判别器使用GRU神经网络的门控机制来减少梯度消失,同时利用蒙特卡洛策略思想来降低数据过拟合风险并提高生成文本的准确性。为了验证PE_GAN模型的有效性,使用开源数据和网络爬取的小说和新闻文本共同作为实验的数据集,结果表明:该模型中生成器和判别器loss值的差距比对比模型小,表明生成的文本更加接近真实文本;与Gumbel-softmax GAN模型、seq-GAN模型和LFMGAN模型相比,PE_GAN模型的BLEU-2、BLEU-3和BLEU-4的值分别都有明显的提高,表明引入位置编码机制后可以改善生成文本的逻辑性,由此可知该模型有较好的应用性。

基于对抗神经网络的医院科研数据混合加密系统设计

针对医疗科研数据加密系统解密误差大等问题,设计一种混合加密系统。该系统实现数据资源的独立分配计算,优化混合加密算法。设置不同长度的密钥对设计的系统和基于深度学习的加密系统进行测试,实验结果表明,当密钥长度较长时,设计系统解密平均错误bit数量明显低于传统系统,验证了设计系统在实际应用中的可靠性。

基于卷积对抗神经网络和流密码的加密系统研究

提出了一种基于卷积对抗神经网络和流密码的加密系统。针对传统加密需考虑的三个对象,即传信方(Alice)、接收方(Bob)和攻击方(Eve),该系统考虑将分别用三个不同的卷积神经网络表示这三个对象,将这三个卷积神经网络联合一起构建一个卷积对抗神经网络。利用一维逻辑混沌映射生成一组一维的二进制流密码,将其用于已构建的卷积对抗神经网络中训练。由于攻击方没有密码,适当给予其攻击上的优势。最后,以Lena图像作为测试图像用于测试训练好的卷积对抗神经网络的加密安全效果,实验仿真结果证明该加密系统有效且安全。

基于深度卷积生成对抗神经网络预测气窜方向

注气开发是目前油田开发最有效的EOR方法之一,但注气开发面临见气时间早、气体突进严重等一系列问题。通过气窜方向预测能够及时调整工作制度,避免问题发生。利用深度卷积对抗神经网络建立渗透率场和注气后气相饱和度分布的动态映射关系,通过输入渗透率场的数据进行图像映射,得到不同时间的气相饱和度分布,预测气窜方向。结果表明:深度卷积方法在提取渗透率特征方面表现出良好性能;采用图像的结构相似性指数(SSIM)作为检验指标,将用对抗神经网络方法建立的气相饱和度分布与商业数值模拟器预测结果进行对比,二者结构相似度大于0.9;深度卷积生成对抗网络(DC-GAN)能够有效地预测注入气体在油藏中的气窜方向。

基于单一图像生成对抗神经网络方法在沉积相建模中的应用

沉积相建模是储层建模中的一个重要环节,有多种方法可以用来建立沉积相模型。传统的建模方法需要利用各种参数对变量的空间结构信息进行刻画,如变差函数、数据样式等,在模拟中再现这种空间结构。利用生成对抗神经网络方法(GAN,Generative Adversarial Nets)建模采用了不同的策略,通过对大量图像(模型)的学习,生成与学习样本具有高度相似特征的模型。基于单一图像生成对抗神经网络方法(SinGAN,Generative Adversarial Nets based on single image)对传统的GAN方法进行改进,仅需一张图像进行训练就能够生成高度相似的图像。以N气田2个小层的沉积微相图为例,建立了相应的沉积相模型,并与经典的基于样式的多点地质统计学建模方法(Simpat)对比可以看出,SinGAN方法与训练图像刻画的沉积微相空间结构更相似,具有良好的应用前景。

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。

基于对抗神经网络和神经网络模型的筒子纱抓取方法

为提高筒子纱抓取和上纱过程的自动化和柔性化程度,应用单目视觉系统引导机器人完成上纱过程。采用工业相机获取单个筒子纱不同形态的数据信息,应用GAN(生成式对抗神经网络)对筒子纱数据集扩充,提高筒子纱数据集多样性。将所得的数据集加载到Faster R-CNN(更快速区域卷积神经网络)模型里进行训练,应用训练好的神经网络识别和定位筒子纱,引导机器人完成上纱任务。应用搭建的单目视觉系统实验平台对结果进行测试,结果表明,经过标定后的视觉系统可以完成多个筒子纱的抓取任务,以满足筒子纱上纱过程的自动化和柔性化要求。

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。

基于对抗式神经网络的多维度情绪回归

情绪分析是细粒度的情感分析任务,其目的是通过训练机器学习模型来判别文本中蕴含了何种情绪,是当前自然语言处理领域中的研究热点。情绪分析可细分为情绪分类与情绪回归两个任务。针对情绪回归任务,提出一种基于对抗式神经网络的多维度情绪回归方法。所提出的对抗式神经网络由3部分组成:特征抽取器、回归器、判别器。该方法旨在训练多个特征抽取器和回归器,以对输入文本的不同情绪维度进行打分。特征抽取器接受文本为输入,从文本中抽取针对不同情绪维度的特征;回归器接受由特征抽取器输出的特征为输入,对文本的不同情绪维度打分;判别器接受由特征抽取器输出的特征为输入,以判别输入的特征是针对何情绪维度。该方法借助判别器对不同的特征抽取器进行对抗式训练,从而获得能够抽取出泛化性更强的针对不同情绪维度的特征抽取器。在EMOBANK多维度情绪回归语料上的实验结果表明,该方法在EMOBANK新闻领域和小说领域的情绪回归上均取得了较为显著的性能提升,并在r值上超过了所有的基准系统,其中包括文本回归领域的先进系统。

基于多尺度轻量级对抗神经网络的人口流量的统计分析研究

针对人口流量统计数据存在精确低等缺点,提出了一种多尺度轻量级对抗神经网络的人数统计方法,该神经网络通过多尺度CNN层与Mobilenet V3层的结合、基于Resnet-50残差网络的分块判别器模型设计和郊狼算法的优化参数等措施提高了神经网络的精度,仿真实验说明该文算法在算法精度上相比于CNN算法具有一定的优势,具有较好的统计识别效果。

基于对抗神经网络的突发公共卫生事件虚假新闻检测

目的:在缺乏相应先验知识和训练语料的情况下,实现对突发公共卫生事件社交媒体虚假新闻的早期检测。方法:融合虚假新闻文本的语义特征和统计特征,构建基于对抗神经网络的跨领域虚假新闻检测模型,并使用新浪微博数据集开展实验。结果:基于对抗神经网络的跨领域虚假新闻检测模型的检测效果较好,检测正确率达85.6%。结论:深度语义特征与传统统计特征相结合能够更好地辅助虚假新闻的识别,对抗神经网络能够在训练过程中提取更多虚假新闻的潜在通用特征,从而提升模型的领域迁移能力,更好地进行突发公共卫生事件虚假新闻的检测。

应用对抗神经网络的胶质瘤MR图像分割

针对胶质瘤在结构上的多样性给分割带来的不精确等问题,提出一种应用对抗网络的胶质瘤MR图像分割方法,使用改进的U-Net网络作为生成器的基础架构,获得逐像素的分割结果,判别器是一个卷积神经网络结构.利用对抗机制优化生成器与判别器,直到两者同时收敛为止.训练好的生成器即可完成胶质瘤MRI分割.实验结果表明:提出的方法相比于传统U-net方法,Dice系数提高了4.42%,提高了分割的准确度.

基于模型采样和领域对抗神经网络的轴承故障诊断方法

为了适应不同产品的不同加工要求,轴承需要工作于不同的工况下,但是工况的变化会造成数据分布差异,从而导致轴承故障诊断模型的性能下降,同时目前也缺少针对无标签情况下实现故障类别均衡采样的方法,为此,提出了一种基于模型采样(MBS)和领域对抗神经网络(DANN)的轴承故障诊断方法。首先,使用基于模型采样(MBS)的方法,将预训练模型输出的类别概率分布作为采样依据,克服了在无标签目标工况下实现类别均衡采样的困难;然后,结合领域对抗神经网络(DANN),设计了将特征从目标工况迁移到源工况的网络结构;最后,在故障模拟实验数据上,建立了高精度的变工况轴承故障诊断模型,并将采用该方法所获结果与采用多种对照方法所获结果进行了对比分析,以验证该方法在变工况轴承故障诊断上的有效性和优越性。研究结果表明:在模拟实验中,采用基于MBS-DANN的方法可达到98.41%的平均诊断准确率,相比随机采样法提高超过10%;这说明无标签样本类别均衡采样具有重要意义,也可验证基于MBS-DANN的方法在变工况轴承故障诊断上的有效性和优越性。

基于生成对抗神经网络的雷达遥感数据增广方法

在雷达探测领域,数据样本无论在完备性还是多样性上,均不能满足深度学习模型有效训练的要求,模型极易出现过拟合现象,从而限制了相关技术在雷达探测领域的广泛应用。面向雷达探测领域的智能化应用需求,针对雷达数据样本不足问题,提出基于生成对抗神经网络的微波成像体制雷达数据增广方法。针对雷达数据样本特征不显著问题,结合标签平滑正则化方法,实现增广数据样本的自动标注,通过构建增广样本与真实样本协同的深度学习模型训练框架,实现模型在小规模雷达数据样本集上的鲁棒训练。基于公开雷达探测数据集,验证了该方法的有效性。

对抗神经网络算法在船舶电机轴承故障诊断中的应用

为提升船舶电机轴承故障诊断精度,确保船舶航行的安全性,研究对抗神经网络算法在船舶电机轴承故障诊断中的应用。采用集合经验模态分解方法求取船舶电机轴承振动信号各固有模态函数分量的能量熵,并使用相关系数法清除虚假分量,将筛选后的有效数据作为船舶电机轴承故障特征。利用对抗神经网络构建轴承故障诊断模型,通过引入条件对抗损失函数解决模型训练过程中的不确定性问题,利用二人零和博弈问题能够描述对抗神经网络的训练过程,将船舶电机轴承故障特征向量与实际船舶电机轴承故障的标签信息作为诊断模型的输入,输出船舶电机轴承故障类别。实验结果显示该方法能够准确提取轴承故障振动信号,故障诊断精度高达99.7%。