基于改进InfoGAN的三维多孔介质重构及软件实现

在多孔介质三维重建中,采用传统深度学习方法会造成模式坍塌,导致图像多样性不高,与原始样本差距较大。针对此问题,提出一种基于改进InfoGAN的多孔介质三维重建模型。该模型采用无监督学习,生成器中的随机噪声改为高斯噪声,判别器部分将单判别器改为双判别器,分别采用BCELoss和MSELoss作为训练的判别器。分类器在判别器的基础上对多孔介质类型进行分类,从而进行不同岩性的重建工作。在学习率方面,采用双时间尺度更新规则,即生成器和判别器的学习率使用不同的学习率。最后通过孔隙度实验,与改进前及其他数字多孔介质重建算法做对比,构建出与原始多孔介质样本具有更接近拓扑结构的数字多孔介质。

基于改进InfoGAN的字体多风格融合模型

为解决汉字字体结构复杂、多风格融合特征难度大的问题,提出了一种基于改进InfoGAN的字体多风格融合方法。对InfoGAN特征多风格融合模型进行改进,调整输入向量的维度,添加了通道注意力模块。InfoGAN可以将较难提取的风格特征清晰化、规律化,通过改进InfoGAN,实现了对汉字字体图像风格特征的多风格融合,得到了能够控制汉字字体风格的特征向量。把改进的InfoGAN模型和VAE、Beta-VAE、AAE进行对比实验,再通过模型消融实验证明通道注意力的有效性。实验结果表明:该模型能够更好地将不同风格的特征进行分离,避免了信息重叠和冲突,可以有效准确地完成字体多风格融合任务。

基于InfoGAN的超高层建筑形体生成式设计研究

目的:随着城市化进程的加快,高度集约化的超高层建筑应运而生。在超高层建筑设计过程中,需要综合考虑众多因素,如建筑结构、建筑性能、平面布局等,可利用信息最大化生成对抗网络InfoGAN,使机器自主学习和掌握超高层建筑三维形体信息,以丰富建筑师的设计思路。方法:文章首先提取典型超高层建筑模型并构建高质量的数据库,为深度学习技术在超高层建筑设计中的应用奠定理论和数据基础。随后利用InfoGAN的可解释性特征进行实验,生成含三维形体信息的平面图并进行三维重建,最终得到多样化的自定义设计方案。结果:通过最大化互信息的方式,实现对无标签数据的有效利用,生成具有可解释特征的样本。这为设计师提供了更多的方向选择和更大的思考空间,有助于缩短设计思考的时间,提高设计效率。结论:通过基于InfoGAN的建筑形体生成方法,得到更具有可解释性的建筑形体,能使设计师更清晰地理解生成建筑背后的设计原理和逻辑。

基于infoGAN的工业加热炉温度场预测方法

针对工业加热炉温场不均、炉管局部超温将会导致安全事故,而借助CCD成像的在线温场可视化预测系统价格高的现状,提出采取在扩张通道模型上建立基于互信息生成对抗网络的温度场预测模型,最终使用Matlab软件对模型的输出结果进行可视化,实现加热炉三维温场的在线预测,给优化操作建议和操作预警提供指导。

基于改进残差网络和InfoGAN的变压器局部放电故障诊断方法研究

油浸式电力变压器作为电力系统的重要设备,对其绝缘状态进行科学诊断具有重要意义。目前,变压器局部放电故障诊断存在因样本匮乏或不均衡造成分类器泛化能力不足,最终导致识别准确率较低的问题。为此,提出了一种基于改进残差网络(ResNet)和信息生成对抗网络(information maximizing generative adversarial nets,InfoGAN)的变压器局部放电故障诊断方法。首先通过试验平台采集4类典型局放故障的PRPD谱图,然后利用InfoGAN对谱图进行样本增强并评估增强效果;最后,通过在残差块中嵌入注意力机制挤压激励(squeeze and excitation,SE)模块,得到改进残差网络模型,并利用该模型对故障类型进行识别。结果表明,InfoGAN可以有效丰富样本及其多样性;在样本数充足的条件下,改进的残差网络SE-ResNet18识别率可达99%,相比于其他经典CNN网络识别效果更优,且显著优于传统机器学习算法BPNN和SVM。

基于TransUnet的侵彻多层过载信号生成

随着现代电子技术的蓬勃发展,人工智能在军事领域呈现快速上升的鳌头趋势,同时也面临着数据量严重不足的困境,针对目前侵彻多层过载信号数量少、类别不平衡等问题,结合深度学习的InfoGAN模型,提出一种基于TransUnet的侵彻多层过载信号生成方法。首先,以靶场实测过载信号作为训练模型的数据集,根据侵彻层数建立标签信息;其次,构建生成器与判别器,生成器借鉴TransUnet的思想,由Transformer Encoder和U-Net组成,用于学习过载数据集的特征映射,判别器则使用较为简单的注意力模型,以降低整体模型的复杂度;最后,利用生成对抗网络对生成器与判别器进行训练与优化,实现侵彻多层过载数据生成。实验结果表明,该方法能够根据不同层数信息生成不同速度的有效过载数据,可在一定程度上解决侵彻多层过载信号缺乏的问题。

生成对抗网络在数据异常检测中的研究

针对许多检测模型受到数据不平衡和异常数据的复杂性等因素影响问题,提出一种以生成对抗网络(generative adversarial network,GAN)为基础的数据异常检测方法。该方法利用InfoGAN网络训练生成正常数据和异常数据,构造一个推理神经网络作为生成数据与原始数据的标签生成器,之后利用第二个GAN网络对推理网络精调,保证生成的样本和其标签对应;最后将生成样本与标签输入随机森林分类,通过Hyperband算法寻找随机森林最优超参,对推理网络进一步优化。在四个真实数据集上与五种传统机器学习模型进行实验对比,实验结果表明,该模型无需收集更多异常样本,达到数据平衡就可以有效进行数据异常检测。在Mnist数据集中,该模型的AUC值相比于K近邻(K-nearest neighbor,KNN)方法提高0.14,并且综合性能优于传统机器学习模型。

生成式对抗网络在手写字的性能分析

针对深度卷积神经网络(DCNN,deep convolutional neural network)广泛应用在生成式对抗网络(GAN,generativeadversarial networks)中并取得优异的效果,为了探究不同结构的模型生成的图片质量各异的原因,实验对比GAN、DCGAN、WGAN-GP、InfoGAN等模型在手写字数据集(Mnist)的生成模型损失函数、判别模型损失函数以及图片质量。通过对比实验表明,InfoGAN通过计算数据之间的互信息影响生成新数据的方式,其生成式模型损失函数和判别式模型损失函数极值均小于1.0,远远小于其他模型,随着迭代次数的增加,损失函数曲线较为稳定,且图像生成质量更佳。