基于多判别器辅助分类器生成对抗网络的故障诊断方法研究

在强冲击、强辐射、极高温等极端恶劣的工作环境下,机械设备的故障模式复杂多样,获得充足且有效的故障数据变得非常困难甚至难以实现,以致故障诊断的准确性受限,后续检修维护方案难以有效制定。针对这一问题,提出了一种多判别器辅助分类器生成对抗网络的数据增强算法。通过设置3个判别器、1个生成器并添加独立的分类器,构建了新的辅助分类器生成对抗网络模型。针对在该模型训练中存在的不稳定性问题,通过引入Wasserstein距离构造新的损失函数,并采用稳定性更具优势的单边软约束正则化项替换原有的L2梯度惩罚项来解决模型崩溃问题;在此基础上,采用高效通道注意力机制来进一步提高模型的特征提取能力。将所提出的模型应用于扩充机械设备故障数据集,辅助深度学习智能诊断模型的训练。多个故障数据集扩充实验表明,与现有模型相比,新模型所生成数据的质量更高,故障诊断的准确率也得到进一步提高,因此具有较高的应用价值。

基于时序生成对抗网络的居民用户非侵入式负荷分解

现有的非侵入式负荷分解算法往往需要大量电器设备级的负荷数据才能保证分解精度,但由于用户对隐私性的考虑以及安装成本过高等问题,很难获取这些数据。因此,构建一种能深度挖掘电力负荷数据时序特性和电器相关性的时序生成对抗网络。利用降维网络对所有电器有功功率序列组成的高维向量进行降维以降低计算的复杂度,通过复原网络将结果还原为高维向量。基于电器运行状态和深度学习的非侵入式分解方法,运用卷积神经网络-双向门控循环单元构建状态复杂电器的负荷分解回归模型,对状态简单电器利用深度神经网络构建负荷识别分类模型。通过对比其他数据生成方法,以及改变典型公开数据集中生成数据比例所得的负荷分解结果验证了所提方法的有效性。

非平行文本下基于变分自编码器和辅助分类器生成对抗网络的语音转换

提出了1种基于变分自编码器和辅助分类器生成对抗网络的语音转换方法,实现了非平行文本条件下多对多的高质量语音转换.在该方法中,利用辅助分类器生成对抗网络替代基于变分自编码器和生成对抗网络模型中的Wasserstein生成对抗网络.由于辅助分类器生成对抗网络将特征样本的类别标签作为辅助信息,其鉴别器不仅能预测样本真假,还能预测生成样本所属的类别,从而提高了生成对抗网络的生成效果.充分的客观和主观评价表明:本文提出的方法明显优于基准模型,在显著改善语音质量的同时也有效提升了说话人个性的相似度.

基于改进辅助分类生成对抗网络的风机主轴承故障诊断

基于振动信号的风电机组故障诊断方法是风电安全运维领域研究的重点之一。风电机组主轴承较少发生故障,给运用数据挖掘方法判断故障类型带来很大困难。针对该问题,文中提出了一种用于风电机组主轴承故障诊断的数据增强方法。通过对辅助分类生成对抗网络(ACGAN)的适应性进行改进,引入梯度惩罚,构建了改进ACGAN框架,以提高其学习稳定性;在判别器网络中引入池化层,以提升其在多分类场景下提取数据特征的能力。仿真结果表明,所提出的改进ACGAN框架能够实现对原始数据分布特征的有效学习,抗噪声干扰性强,相对于原框架训练过程更稳定,生成数据的质量更高;能够有效平衡风电机组主轴承故障振动数据,进一步提升了风电机组主轴承故障诊断的正确率。

基于辅助分类–边界平衡生成式对抗网络的局部放电数据增强与多源放电识别

为解决局部放电(partial discharge,PD)源诊断中放电样本的不平衡问题,并克服传统多源放电诊断方法对脉冲聚类分离效果的依赖,该文提出基于辅助分类–边界平衡生成式对抗网络(boundary equilibrium generative adversarial network with auxiliary classifier,AC-BEGAN)的PD数据增强与多源放电识别方法。首先,对PD脉冲进行同步挤压小波变换(synchrosqueezed wavelet transform,SWT)作为训练样本。然后,在训练稳定性优越的BEGAN基础上,融合条件信息和辅助局放脉冲分类任务构建AC-BEGAN模型,旨在提升模型的生成能力并条件式地扩充训练样本。最后,采用扩充均衡的训练样本微调该辅助分类任务以学习多源放电中各单次脉冲的类别,并将占主导的脉冲标签的组合确定为该多源放电类型。结果表明,该方法相比于传统数据增强技术可以有效地均衡脉冲样本,同时可以克服传统诊断方法对聚类分离效果的依赖,直接实现多源放电诊断。

基于生成对抗网络的变分自编码器解耦合

深度生成模型从观测数据中学习到潜在因素,然后通过潜在因素生成目标,在人工智能领域受到广泛关注。现有深度生成模型学习的潜在因素往往是耦合的,无法让潜在因素每一维控制所得数据的不同特征,即无法单独改变某一特征而不影响其他特征。为此,在β-变分自编码器(beta-variational autoencoder,β-VAE)的基础上,结合生成对抗网络(generative adversarial networks,GAN),提出基于生成对抗网络的变分自编码器(beta-variational autoencoder based on generative adversarial network,β-GVAE)模型。该模型是一种改进的β-VAE,通过引入生成对抗网络约束β-VAE中损失函数的KL项(Kullback-Leibler divergence),促进模型的解耦合。在数据集CelebA、3D Chairs和dSprites上进行对比实验,结果表明β-GVAE不仅具有更好的解耦合表示,同时生成的图像具有更好的视觉效果。

基于扩散生成对抗网络的文本生成图像模型研究

文本生成图像是一项结合计算机视觉(CV)和自然语言处理(NLP)领域的综合性任务。以生成对抗网络(GANs)为基础的方法在文本生成图像方面取得了显著进展,但GANs方法的模型存在训练不稳定的问题。为解决这一问题,该文提出一种基于扩散Wasserstein生成对抗网络(WGAN)的文本生成图像模型(D-WGAN)。在DWGAN中,利用向判别器中输入扩散过程中随机采样的实例噪声,在实现模型稳定训练的同时,生成高质量和多样性的图像。考虑到扩散过程的采样成本较高,引入一种随机微分的方法,以简化采样过程。为了进一步对齐文本与图像的信息,提出使用基于对比学习的语言-图像预训练模型(CLIP)获得文本与图像信息之间的跨模态映射关系,从而提升文本和图像的一致性。在MSCOCO,CUB-200数据集上的实验结果表明,D-WGAN在实现稳定训练的同时,与当前最好的方法相比,FID分数分别降低了16.43%和1.97%,IS分数分别提升了3.38%和30.95%,说明D-WGAN生成的图像质量更高,更具有实用价值。

基于辅助分类生成对抗网络的纸币红外特征鉴伪算法

针对假币的特征未知以及样本数量不平衡的局限性问题,提出基于半监督辅助分类生成对抗网络的纸币红外特征鉴伪算法。辅助分类生成对抗模型可以扩充样本的数据集,经过半监督的方式训练得到分类器进行分类,实现对纸币红外特征的鉴伪。实验结果表明,该算法能提高假币鉴伪的准确率以及泛化能力。

基于生成对抗网络的低分化宫颈癌病理图像分类

使用生成对抗网络(GAN)扩充宫颈癌病理图像的数据集以提高计算机辅助诊断的准确率.首先,使用GAN进行细胞质部分图像生成;其次,使用两次k-means聚类对生成图像进行筛选;最后,使用Inception-V3模型对数据集进行分类训练.结果表明,在测试集相同的情况下,该方法可以将总体分类准确率提升约2. 5%,尤其对低分化宫颈癌病理图像有显著效果.通过GAN解决了组织病理学图像无方向性、内容复杂、前景目标规则性差等问题,证明了该方法的有效性及发展潜力.

基于多残差动态融合生成对抗网络的人脸素描-照片合成方法

针对现阶段人脸素描-照片合成方法合成的图像存在清晰度较低、面部细节模糊等问题,提出基于多残差动态融合生成对抗网络的人脸素描-照片合成方法.首先设计多残差动态融合网络,从不同的密集残差模块分别提取特征并进行残差学习.然后根据不同层次的多样化残差特征生成对应的偏移量,不同位置的卷积核依据偏移量改变采样坐标,使网络自适应地关注特征中重要信息.在避免特征信息逐级丢失和冗余信息干扰的前提下,网络有效整合几何细节信息与高级语义信息.方法同时引入多尺度感知损失,对不同分辨率的合成图像进行感知对比,使网络可由粗到细地对合成图像进行正则化约束.在香港中文大学面部素描数据集上的实验表明,文中方法合成的图像清晰度较高,面部细节完整,颜色一致,接近真实的人脸图像.

有条件生成对抗网络的IVUS图像内膜与中-外膜边界检测

针对血管内超声(IVUS)图像中各类斑块、超声阴影和血管分支等造成内膜(LU)与中-外膜(MA)边界难以准确检测的问题,提出一种结合堆叠沙漏网络(SHGN)和有条件生成对抗网络(C-GAN)的IVUS内膜与中-外膜检测的改进方法。首先根据血管形态特点,使用旋转、缩放和Gamma变换等方法将图像训练集扩充57倍,降低网络训练过拟合风险;然后利用对抗训练思想,构建基于L1、L2重建损失的联合损失函数,学习超声图像与其对应分割图像的映射关系,将IVUS图像分割为3种不同区域:血管外周组织、斑块区域和内腔区域;最后在图像分割结果上,采用阈值处理方法,检测最终的内膜与中-外膜边界。采用国际标准IVUS图像数据集(10位病人435幅)评价所提出的算法。实验量化评价结果为:内膜计算面积交并比(JM) 93%,面积差异百分比(PAD) 3%,Hausdorff距离(HD) 0.19 mm;中-外膜JM 95%,PAD 3%,HD 0.16 mm。这些指标满足临床诊断要求,性能优于现有的、近年较好的9种算法,以及Pix2Pix模型。在临床实践应用分析中,利用南部战区总医院心血管内科所收集的100幅IVUS图像进行检验,取得较好的分割结果。这表明该方法具有较好的跨数据集泛化性能。

基于生成对抗网络的主机入侵风险识别

随着互联网的发展,针对主机漏洞发起的入侵层出不穷,计算机安全问题日益突出,基于深度学习的入侵检测成为研究热点,但仍然存在攻击训练样本少以及无法有效检测未知攻击的问题。基于AC-GAN和LS-GAN,设计并实现主机入侵风险识别网络TR-GAN,该模型能有效解决梯度偏移或梯度消失的问题。TR-GAN相较于AC-GAN及LS-GAN,不但风险识别准确率更稳定,最大识别准确率达到80%,且其风险样本生成模块能在较少训练迭代轮数下就生成与真实攻击样本具有相同特征的攻击样本。生成的攻击样本不但可以作为训练样本的补充,而且可作为部署系统安全策略的参考。

基于生成对抗网络的防空体系态势辅助分析

针对当前从体系视角对防空体系进行态势分析的模型较为缺乏,且模型结果不易于指挥员分析理解的问题,提出了基于生成对抗网络的防空体系态势辅助分析模型。首先,通过图形化的方法对防空体系态势信息以及作战能力进行描述,便于人类指挥员更好的理解。然后,利用生成对抗网络模拟人类指挥员态势分析的过程,从浅层态势特征推理得到防空体系能力图。最后,利用多个指标对各类模型的结果进行对比。实验结果表明,所提模型可以从体系视角进行分析,得到防空体系能力图,生成图像的准确率较其他模型至少提高34.1%。

基于条件生成对抗网络的手绘图像检索

传统的手绘图像检索方法将自然图像通过边缘检测算法转换成"类手绘图",不能很好地减小自然图像与手绘图像之间的视觉差异.针对此问题,提出一种基于条件生成对抗网络的手绘图像检索方法.首先训练条件生成对抗网络,其中生成器由边缘图至自然图像的映射网络构成;然后通过生成器将手绘图转换为自然图像,以消除二者的视觉差异;最后使用深度卷积神经网络提取深度特征进行相似度度量,达到检索的目的.在基准数据库上进行实验的结果显示,该方法的检索精度有明显提高.

基于生成对抗网络的知识蒸馏数据增强

在图像分类和工业视觉检测过程中,缺陷样本量少导致神经网络分类器训练效率低及检测精度差,直接采用原始的离散标签又无法使网络分类器学习到不同类别间的相似度信息。针对上述问题,在区域丢弃算法的基础上,提出一种基于生成对抗网络的知识蒸馏数据增强算法。使用补丁对丢弃区域进行填补,减少区域丢弃产生的非信息噪声。在补丁生成网络中,保留生成对抗网络的编码器-解码器结构,利用编码器卷积层提取特征,通过解码器对特征图上采样生成补丁。在样本标签生成过程中,采用知识蒸馏算法中的教师-学生训练模式,按照交叉检验方式训练教师模型,根据教师模型生成的软标签对学生模型的训练进行指导,提高学生模型对特征的学习能力。实验结果表明,与区域丢弃算法相比,该算法在CIFAR-100、CIFAR-10数据集图像分类任务上的Top-1 Err、Top-5 Err分别降低3.1、0.8、0.5、0.6个百分点,在汽车转向器轴承数据集语义分割任务上的平均交并比和识别准确率分别提高2.8、2.3个百分点。

多层次生成对抗网络的动画头像生成方法研究

现有的动画图像生成方法存在合成图像多样性缺失、局部纹理不清晰、样本方差较小,难以根据细节描述进行生成的问题。基于堆叠式生成对抗网络(StackGAN++)的思想,结合辅助分类器,提出改进模型ACM-GAN(auxiliary classification atteched multi-level generative adversial networks,带有辅助分类器的多层次结构生成对抗网络)用于动画人物头像生成。该网络模型由两个生成器和两个判别器堆叠而成,并在判别器中嵌入辅助分类器对生成结果进行约束,使生成样本方差变大,增加生成样本的多样性。为保证合成图像真实度和清晰度,引入特征图空间损失和图像像素空间均值方差损失以最小化合成数据和真实数据的距离。实验结果表明,多层次结构能够有效稳定训练过程,增加图像的边缘细节和局部纹理,同时辅助分类器有效解决模式崩溃问题,提高生成指定类别图像的准确率。ACM-GAN生成图像的FID分数达到27.96,相比于StackGAN++提升23.1%。

基于生成对抗网络的车辆换道轨迹预测模型

车辆运动轨迹的预测在车辆的自动驾驶与车联网技术中有着重要意义,通过预测轨迹可以判断车辆未来运动状态,避免发生碰撞。针对车辆换道轨迹的预测问题,提出了基于生成对抗网络的换道轨迹预测模型。通过实车实验,以城市道路中换道行为为实例,采用高精度GPS仪器采集车辆换道轨迹数据。在此基础上,建立基于生成对抗网络的轨迹预测模型,其中生成模型采用了LSTM的编码器-解码器结构,通过输入给定的历史换道轨迹,经解码器生成预测时段换道轨迹。判别模型通过搭建基于MLP的神经网络,将生成的预测轨迹与目标轨迹进行多重判别,并通过联合训练生成模型和判别模型,实现对车辆未来时段内的换道轨迹进行预测。同时通过交叉验证与模型对比,分析了不同长度的历史轨迹与预测轨迹对预测精度的影响,并验证了模型的有效性和准确性。结果表明轨迹生成对抗模型与传统模型相比,可实现对换道轨迹长时段的预测,且预测精度有明显的提高。

一种基于条件生成对抗网络的高感知图像压缩方法

针对如何获得符合人类视觉感知的压缩图像问题,提出了基于条件生成对抗网络的图像压缩模型(HPIC).在HPIC中,首先利用一个超先验概率模型对原始图像进行编码量化,将条件附加标签和残差模块相结合的生成器用于压缩图像的重建,基于深度卷积神经网络搭建的判别器则用于区分压缩后的图像和真实图像间的差异.损失函数是基于比特率-失真-感知优化理论来设计的,一方面选用基于预训练Inception网络特征值的感知失真指标来实现具有高感知质量的图像压缩重建,另一方面利用生成对抗网络损失来消除压缩伪影,提高压缩精度.实验结果表明,HPIC在比特率-失真-感知三重权衡中取得了较好的平衡,即使目前的常见算法使用两倍于本文算法的比特率,本文算法在所有的感知指标得分上均优于前者,HPIC仍能够实现具有高感知质量的压缩.

基于改进生成对抗网络的电压暂降事件类型辨识研究

为缓解特征自提取模型对电压暂降样本数据量的依赖,提高模型的特征抓取能力,该文提出基于改进辅助分类生成对抗网络(auxiliary classifier generative adversarial networks,AC-GAN)的暂降事件类型辨识算法。首先,将暂降三相电压数据转换为基于空间矢量(space phasor model,SPM)的二维轨迹曲线,以此作为智能模型的输入。然后,对AC-GAN进行改进,通过在判别器内融合卷积注意力模块(convolutional block attention module,CBAM)来改善判断模型的特征自提取能力,从而提高整个AC-GAN网络的性能。利用所生成的与真实样本特性及分布一致的数据,来实现数据增强,以解决非平衡样本条件下特征学习不充分的问题。最后,利用江苏地区实际数据场景验证了所提算法在不同数据条件下准确而稳定的暂降类型辨识能力。

基于生成对抗网络的偏转人脸转正

为了提高偏转人脸转正的效果,借鉴双通道生成对抗网络(TP-GAN)双通道生成的思想,将原始网络中的深度卷积生成对抗网络(DCGAN)替换成边界均衡生成对抗网络(BEGAN).在传统两者对抗的网络结构中加入判别人脸身份的分类器,形成三者对抗的网络结构.经实验对比可知,与在生成器损失函数中添加约束相比,结构上加入分类器对人脸身份一致性的保持更加有效.TP-GAN存在训练复杂、模式崩溃等难题,使用BEGAN的网络结构,可以避免这些问题,提高训练效率.在Multi-PIE数据集及LFW上的实验结果表明,利用提出的方法能够高效地生成高质量的正面人脸图片,且保留人脸的身份特征.