不平衡样本下基于生成式对抗网络的风机叶片开裂状态识别

针对风机叶片开裂状态样本少、识别率低的问题，提出基于生成式对抗网络(GAN)的开裂状态样本增强方法来提高识别率。以经验风险分类模型为对象，从理论角度对不平衡样本问题进行深入分析，设计了满足开裂样本生成与判别的GAN网络模型，引入批量归一化保障特征服从标准正态分布，加速网络训练过程收敛。以神经网络为分类器，以F1值、Recall、Precision为度量指标，在36个UCI基准数据集上对所提方法进行测试，结果表明增强后的结果更好。真实实验表明，以逻辑回归及神经网络为分类器，相比原始不平衡样本，增强后的结果分别提升13.88%,8.20%。与SMOTE算法对比，以上两种分类器的分类准确率分别提高74%和11%;与ADASYN算法对比，分类准确率分别提高19%和23%。