基于建模数据和最优化算法的GaN HEMT精确电热行为建模方法

为了实现对氮化镓高电子迁移率晶体管GaN HEMT(gallium nitride high electron mobility transistor)高速开关带来的开通过压、误导通、开关振荡和EMI噪声等问题展开定量的仿真分析,提出了一种基于建模数据和最优化算法的门极增强型GaN HEMT电热行为模型建模方法。相比较于常规GaN HEMT行为模型,所提出的建模方法采用2个简单的建模公式实现了对GaN HEMT在第一和第三象限宽工作温度范围内的电热特性进行准确的建模。同时采用一个紧凑的建模公式实现对GaN HEMT非线性寄生电容的精确建模。此外,提出了一种遗传算法和Levenberg-Marquardt算法组合的优化算法,基于该优化算法和建模数据实现了对建模参数的快速提取,在较大程度上减小了建模时间和工作量。仿真表明,所提出的建模方法能够实现对不同公司多个型号的GaN HEMT器件展开精确的建模。最后通过吻合的动态仿真和实验数据验证了所提建模方法的正确性和有效性。

基于WGAN的生成式信息隐写方法研究

针对图像载体隐写方法容量较低的问题,提出一种基于Wasserstein距离的生成式对抗网络(Generative Adversarial Network,GAN)模型无载体图像生成式信息隐写方法。首先提出一种支持用户自定义的“特定信息-噪声”映射关系矩阵,在此基础上将特定信息二次编码为噪声,然后将噪声输入到已训练的WGAN模型中,最终输出包含特定信息的可视化图像。实验结果表明,提出的信息隐写方法可以有效提高信息隐写算法的抗检测攻击效能,提升生成式信息隐写容量,减少隐写图像数量。此外,该方法依托较为简单的网络结构即可实现,不过分依赖系统性能和资源,具有较好的工程实用性。

一种改进的AlGaN/GaN HEMT全局直流模型

对Angelov直流FET模型进行改进,并应用同一遗传算法对改进前后的模型进行全局直流模型参数提取,平均相对误差分别为4.58%和1.8%。将模型计算值与实验数据进行对比,结果表明,改进后的模型能更加准确地描述AlGaN/GaN HEMT源漏电流随栅、漏电压变化的全局直流输出特性,从而为AlGaN/GaN HEMT提供一种准确的全局直流模型和精确的参数提取方法。

面向大数据平台调度优化的通信网络故障诊断

针对通信网络故障诊断能力滞后,导致网络通信瘫痪,致使消息滞后等问题,提出通信网络故障识别系统,采用数字模拟技术和生成对抗网络算法(GAN)的优化组合来分析系统中实时存在的网络故障状况,利用数字模拟技术对真实物理数据进行交互,对通信网络数据进行虚拟化数据建模,将所获取的网络运行数据利用GAN算法进行分析处理,从而达到对网络进行故障识别的目的。试验结果表明,通过该系统技术检测出的数据精准度高达91.75%以上,表明该研究在通信网络故障识别的正确性。

一种AlGaN/GaN HEMT非线性器件模型参数提取的方法

该文提出一种新的绝对误差函数,应用该函数进行非线性模型参数提取可以避免计算误差,显著降低参数提取的不准确性。由于氮化物半导体器件,尤其是AlGaN/GaNHEMT器件已经开始得到广泛应用,其模型和参数对射频和电力电子器件和电路设计至关重要,分别使用3种误差函数对AlGaN/GaNHEMT器件模型进行了参数提取并对比,对比结果表明该文提出的误差函数更加精确和有效。同时为今后的电子器件的模型参数提取提供了一种有效且精确的方法。

基于粒子群优化算法提取GaN HEMTs外部寄生参数

GaN HEMTs作为第三代半导体器件,它的工作频率高,功率密度大,而且耐高温、高压,不仅是功放控制电路中的重要组成部分,也是毫米波时代5G无线通信电路中的理想射频功率器件。基于GaN HEMTs器件的19参数小信号等效电路模型,提出了一种在冷场条件下,利用粒子群优化算法(PSO)获取器件小信号模型的外部寄生参数的方法。最后通过对比不同尺寸GaN HEMTs器件在冷场偏置条件下的实际测量和仿真S参数验证了该方法的有效性。

GaN HEMTs小信号等效电路建模与参数直接提取

半导体技术飞速进步,第三代半导体氮化镓(GaN)因其优越的性能近年来受到了广泛的关注与研究。数以万计的氮化镓高电子迁移率晶体管(GaN HEMT)应用于微波和毫米波等领域,成为半导体产业研究的热点。本文在传统的氮化镓高电子迁移率晶体管(GaN HEMTs)小信号等效电路模型的基础上将所建立模型的参数数量提高到20个,提出了一种精确地直接提取模型参数的算法,并通过MATLAB编程计算出模型参数值。最后再将此模型的仿真S参数结果与实验结果相比较,验证了此模型的准确性与方法的可靠性。

基于用户属性和生成对抗网络的推荐系统

为提升推荐精度,解决传统推荐算法在用户评分向量中存在的未评分项语义模糊造成的推荐精度下降问题,提出一种基于用户属性的条件生成对抗网络的推荐方法。将用户的属性特征进行提取和编码,并作为生成对抗网络的条件,通过这种明确信号指导用户偏好的生成并进行推荐。在两个公开的电影评分数据集上进行实验,实验结果表明,所提方法可以有效改善推荐精度,在各评价指标上均优于现有方法,具有一定实用价值。

基于生成对抗网络(GAN)和NSGA-2遗传算法的汉口滨江居住区采光优化研究

随着人工智能技术在各个领域的广泛运用,越来越多的设计人员开始尝试将人工智能技术的成果运用到城市或建筑设计当中。通过汉口滨江居住区城市数据和人工智能技术控制区域三维模型的合理生成,并对整体区域建筑环境进行环境模拟,达到居住区布局及造型的优化设计的目的,最后通过优化设计案例为设计师提供设计建议。

基于近邻算法的GAN生成图像质量评价

GAN生成图像质量评价是指对GAN生成的图像进行评价,判断生成图像的失真度是否影响观察者的信息获取和主观感受.目前,GAN生成图像质量评价算法较少且算法运行效率不高.该文提出一种基于近邻算法的生成图像质量评价(Near-Neighbor based Generated Image Quality Assessment,NN-GIQA)算法,实现对GAN生成图像的自动、客观、高效评价.首先,基于ANN算法获取生成图像的近邻构成相似图像候选池,缩小生成图像对比范围;然后,基于KNN算法在相似图像候选池中获取与生成图像最相似的K个真实图像得到生成图像质量分数;最后,评价多个经典GAN模型在多个经典数据集上获取的生成图像的质量.实验结果表明本文方法有效提高了GAN生成图像质量评价的效率和准确性,运行时间仅为其他方法的1/9~1/28,其评价结果和人类主观评价结果的一致性达到80%以上,符合人类视觉感知.

基于梯度惩罚生成对抗网络的过采样算法

在不平衡数据分类问题中,为了更注重学习原始样本的概率密度分布,提出基于梯度惩罚生成对抗网络的过采样算法(OGPG)。该算法首先引入生成对抗网络(GAN),有效地学习原始数据的概率分布;其次,采用梯度惩罚对判别器输入项的梯度二范数进行约束,降低了GAN易出现的过拟合和梯度消失,合理地生成新样本。实验部分,在14个公开数据集上运用k近邻和决策树分类器对比其他过采样算法,在评价指标上均有显著提升,并利用Wilcoxon符号秩检验验证了该算法与对比算法在统计学上的差异。结果表明该算法具有良好的有效性和通用性。

基于生成对抗网络的轻量级全局-局部水下图像增强算法

为解决光在水下传播过程中由吸收与散射效应导致的水下图像产生色偏、对比度低、细节缺失和噪音等问题,设计了一种融入注意力机制的轻量级全局-局部生成对抗网络水下图像增强算法。算法通过改进GAN网络以及设计新的损失函数,提高图像增强效果。实验结果表明,所提出的方法在校正色偏、提高对比度、增强细节和消除噪音等方面较现有流行的水下图像增强算法均取得了很大的进步,同时也进行了时间测试以及应用测试,实验结果表明,提出的水下图像增强方法能够快速有效地提高水下图像的质量。

基于大数据分析方法的电网安全运行方案研究

针对高压电网在实际运行中安全性能不足、事件报警频繁的问题,运用区块链的方式分化电网易发风险区域,将复杂的电网进行分化,从而逐一完成安全排查。研发概率风险分析(PRA)网架,对电网运行中的各个重要设备设置安全结点,通过标记的方式掌握设备信息。采用改进生成式对抗网络(GAN)算法对系统运行中的安全漏洞进行修复,并预测系统运行安全指标。试验表明,本研究电网运行配电最大容量为1711.96 KVA,改进的GAN算法预测安全指标为98.4%,系统运行24 h期间系统事件报警率为0.35%。

基于生成对抗网络的数字音频信号多声道增强方法

基于生成对抗网络的数字音频信号多声道增强方法,提升数字音频清晰度、降低噪声对其的干扰。以结合傅里叶的双边语谱图滤波算法初步实现数字音频多声道信号去噪;构建基于对抗神经网络的数字音频信号多声道增强模型,将去噪后的数字音频多声道信号作为该模型的输入数据,输出增强的多声道数字音频信号,完成数字音频信号多声道增强。实验结果表明:该方法增强后的数字音频信号传输效果较好,同时信噪比和音频客观评判基准较高,且去噪后语谱图中噪点以及模糊区较少,能够有效去除信号中的噪声,提升数字音频信号质量。

基于生成对抗网络的空中红外小目标仿真模型

空中红外小目标在目标检测、目标追踪等军事领域有较高的应用价值,但是其获取成本高昂。在WGAN模型中引入降噪算法改善生成图像质量,同时改进Wasserstein距离惩罚项,提出了一种基于生成对抗网络的空中红外小目标仿真模型(IST-WGAN),在自建空中红外小目标数据集上训练模型,模型生成的红外图像通过主观判别、FID分值和小目标检测算法验证。结果表明,所提模型能够生成有效的红外小目标样本。

基于多任务学习的火灾检测算法

烟雾和火焰是相辅相成的,在火焰检测中充分利用火焰和烟雾的内在关系,将更好地提高火灾检测的准确性。目前,大多数的火灾检测算法只关注烟雾或火焰两者间的某一个任务来设计检测算法。该文提出了一种基于多任务学习的火灾检测算法。首先,将RGB视频序列作为网络的输入,运用CNN网络与LSTM网络提取空间特征和时序特征。然后,设计生成对抗网络将特征空间划分为共享特征空间和私有特征空间两个部分,共享特征空间用于提取烟雾和火焰内在联系中的共享特征,私有特征空间用于提取烟雾和火焰各自的私有特征。最终,将上述两部分特征通过concat方式结合,送到全连接层与softmax中,得到最终的识别结果。将多任务学习应用于火灾检测,其优势在于充分考虑到火灾发生时烟雾与火焰之间的关联性,利用这种关联性丰富烟雾与火焰的特征语义信息,进而提高检测的准确性。实验结果表明,在烟雾检测的准确率上提升2.2%,火焰检测的准确率上提升1.4%,提出的多任务学习模型性能上优于单任务学习模型。

基于对抗学习的蒙汉神经机器翻译

在机器翻译模型的构建和训练阶段,为了缓解因端到端机器翻译框架在训练时采用最大似然估计原理导致的翻译模型的质量不高的问题,本文使用对抗学习策略训练生成对抗网络,通过鉴别器协助生成器的方式来提高生成器的翻译质量,通过实验选择出了更适合生成器的机器翻译框架Transformer,更适合鉴别器的卷积神经网络,并且验证了对抗式训练对提高译文的自然度、流利度以及准确性都具有一定的作用.在模型的优化阶段,为了缓解因蒙汉平行数据集匮乏导致的蒙汉机器翻译质量仍然不理想的问题,本文将Dual-GAN (dual-generative adversarial networks,对偶生成对抗网络)算法引入了蒙汉机器翻译中,通过有效的利用大量蒙汉单语数据使用对偶学习策略的方式来进一步提高基于对抗学习的蒙汉机器翻译模型的质量.

基于生成对抗网络的航天异常事件检测方法

航天环境复杂,技术难度大,风险高,安全可靠性要求苛刻。航天异常事件样本少,且难以获取,有针对性地开展异常事件检测(AED)很有必要。为预防航天事故,尽早发现可能导致故障的异常事件,深入研究了最新人工智能和生成对抗网络(GAN)技术,提出了一种基于生成对抗网络的航天异常事件检测方法。使用正生成对抗网络模拟生成正常事件样本,训练反生成对抗网络模拟生成异常事件样本,设计合理算法训练测试,计算输入事件与正生成对抗网络生成的模拟正常事件欧氏距离,以及输入事件与反生成对抗网络生成的模拟异常事件的欧氏距离差,实现对异常事件的精确检测。通过在美国国家标准与技术研究所数据库(MNIST)数据集全部使用正常数据训练,并对异常事件检测性能进行了试验验证,试验结果表明:在MNIST数据集下,精确率和召回率综合评价指标(F1)及精确率和召回率曲线下面积(PRC)等关键技术指标比变分自动编码器(VAE)方法相应指标性能至少分别提升了31%和11%。在真实环境下采集的模拟航天音频数据试验,异常事件检测性能良好,进一步证实了所提方法真实可用。

融合生成对抗网络和朴素贝叶斯皮肤病诊断方法

不同皮肤病间发病率的差异导致了皮肤病数据类不平衡现象,对使用机器学习方法构建高效、准确的皮肤病诊断模型带来了巨大挑战。提出一种融合生成对抗网络(generative adversarial networks,GAN)和朴素贝叶斯的皮肤病二分类诊断方法:在皮肤病数据集上训练朴素贝叶斯二分类器作为诊断器,创新性地使用GAN为前者生成补充训练样本,使其训练集正负类样本达到平衡。针对皮肤病诊断多分类问题,提出一种融合生成对抗网络和朴素贝叶斯的多分类诊断方法:使用GAN和朴素贝叶斯训练皮肤病单病种二分类器,并结合了词频-逆文档频率算法(term frequency-inverse document frequency,TF-IDF),将多个二分类器组合成一个多分类器作为诊断器。与六种诊断方法进行了对比实验,提出的两种皮肤病诊断方法准确率和召回率均有提升。

一种基于生成式对抗网络的入侵检测系统攻击方法

基于深度学习的入侵检测系统能够进行流量特征分析来监测网络异常,并采取相应措施应对攻击。现有的相关攻击方案,依赖模型训练时对训练数据集的修改,可操作性较低。生成式对抗网络能够生成特定攻击样本,在应对其检测时,误导检测将其划定为正常网络行为的数据。通过构造一个能够将生成流量非攻击特征和攻击流量攻击特征结合的转换器,确保攻击样本具备攻击能力,攻击与非攻击特征的划分使用随机森林的特征选择作为依据。该方法能够绕开深度信念网络入侵检测系统的检测,形成有效的攻击。