基于生成对抗网络和深度残差神经网络的变电站异物检测

变电站电力巡检能够保证变电设备安全运行,及时发现潜在危险和隐患。传统方法主要依靠人工完成,需要较多的人力物力,并且由于变电站异物入侵的偶然性和突发性,传统方法很难预测发生的时间和地点。针对该问题,提出了基于生成对抗网络和深度残差神经网络的变电站异物检测技术。利用深度残差神经网络提出图片的特征,结合区域推荐网络和池化分类器实现目标的分类和定位。利用生成对抗网络生成样本扩充训练数据库,提升了网络的学习能力。最后利用真实变电站的图片数据进行测试,提出的方法具有较高的异物识别准确度,并且比较了不同种类不同数目的训练集,验证了通过生成对抗网络扩充样本的有效性和可行性。     

基于混合神经网络和注意力机制的卒中后抑郁早期筛查分类方法研究

脑卒中后抑郁症（PSD）是卒中后常见的并发症之一,严重威胁着脑卒中患者的健康。目前PSD的诊断主要依据病人的临床表现及各种量表,这类方法存在一定的主观性。脑电图（EEG）结合深度学习技术有可能为PSD诊断提供客观标准。本研究采集28名脑卒中后无抑郁受试者(PSND)和38名脑卒中后轻度抑郁患者（PSMD）的EEG信号,提出了一种基于注意力机制的长短时记忆网络（LSTM）和卷积神经网络（EEGNet）特征融合的端到端的PSD诊断框架。采用LSTM模型来学习EEG信号在时序上的依赖关系,引入的注意力机制对LSTM模型中时域信息进行权重分配来提高有用信息的利用率,最终通过EEGNet模块来提取EEG信号中更具表征的深层特征。通过10折交叉验证得出准确度、精确度、召回率、F1-Score和Kappa系数,分别为95.90%、95.75%、96%、95.82%和91.60%。与基础的深度学习模型相比,本文的方法能保持稳定的模型性能,对PSD的诊断具有较高的准确性,为PSD的筛查和诊断提供了一定的参考。     

强化组合式生成对抗网络

近年来通过在生成对抗网络中加入条件标签,控制生成图像的类别或属性已经取得很大进展,但是生成图像的类别或属性的准确性有待提高。为此,在生成对抗网络的判别器中加入了强化学习,通过上一次的分类结果去指导当前的分类。另外为了让生成的细粒度图像更加逼真,使用注意力机制在只增加少量的计算损失下让图像有全局感受野,将多属性的星型生成对抗网络与自注意力生成对抗网络组合后的生成图像的质量较高。 强化组合式生成对抗网络的最大均差达到0.036 93,最近邻指标效果较优,能自动化较准确地生成指定了某些属性的艺术图像,实验生成的图片也能用来解决缺乏数据的问题。     

基于时序生成对抗网络的月度风光发电功率场景分析方法

针对月度风光发电功率模拟面临的变量维度高、时空特征复杂等难题,提出一种基于时序生成对抗网络的月度风光发电功率场景分析方法。采用基于RV系数的聚类技术提取代表性日发电状态,基于Markov链刻画风光日发电状态转移规律;引入缩放点积注意力机制与时序卷积网络,构建时序生成对抗网络,模拟日内风光发电功率的时序性及空间相关性;提出月度风光发电功率场景的随机生成方法。考虑电网中长期分析需求,建立月度风光发电功率场景的优化削减方法。最后,采用我国东北地区6座风电场和6座光伏电站的历史发电功率数据,验证所提方法的有效性和正确性。     

基于生成对抗网络的小样本数据生成技术研究

基于数据驱动的深度学习技术成为新一代智能电网的应用趋势,该技术对电网中有标注训练数据的量级提出更高的要求。为了获取更多有标注的智能电网样本数据,文章提出了一种基于改进的生成对抗网络（generative adversarial network,GAN）的训练样本生成算法。该方法通过交替训练改进GAN的生成模型与判别模型,无需先验知识的指导,自主学习原始样本的分布规律,生成新的数据样本。然后采用人工神经网络作为基础分类器,计算样本分类的准确率,检验生成样本的有效性。实验表明,改进GAN模型可以有效学习样本的分布规律,提升谐波分类的准确率,该方法同时具有良好的抗噪性和泛化性,对深度学习技术在智能电网中的深入发展具有重要意义。     

基于条件生成对抗网络的短期负荷预测

精准的短期负荷预测对电力系统制定合理生产计划、提高经济效益、保证电网安全运行具有重要意义.为学习非线性负荷数据中隐含的深层关系,提高短期负荷预测精度,文中提出一种基于条件生成对抗网络的短期负荷预测模型.所提模型使用卷积神经网络构建生成模型和判别模型,以负荷影响因素作为条件,并引入特征损失函数作为判别模型部分隐藏层的损失...     

基于改进循环生成对抗网络实现红外图像生成

针对目前已有的可见光图像生成红外图像的算法不能感知图像的弱纹理区域而导致生成的图像细节信息不突出、图像质量低的问题,本文提出了一种适用于图像生成任务的改进循环生成对抗网络（CycleGAN）结构。首先,利用特征提取能力更强的残差网络构建CycleGAN的生成器网络结构,使图像特征可以充分被提取,解决图像因特征提取不充分导致图像质量低下的问题;其次,在生成器的网络结构中引入了通道注意力机制和空间注意力机制,利用注意力机制对图像感知能力较差的区域进行权重处理,解决图像纹理细节丢失的问题。在OSU数据集上,本文所提出的方法相较于CycleGAN方法在峰值信噪比(PSNR)以及结构相似性(SSIM)指标上分别提高了7.1%和10.9%,在Flir数据集上的PSNR和SSIM分别提高了4.0%和6.7%。经过多个数据集上的实验结果证明,本文改进的方法能够突出图像生成任务中的细节特征信息,并且能有效地提升图像生成的质量。     

基于生成对抗网络的车载语音增强应用

语音增强对智能车载系统和未来汽车工业的发展具有重要意义,为了解决汽车行驶过程中驾驶员语音被噪声污染的问题,提出一种基于高效通道注意力机制的最小二乘生成对抗网络模型。首先在生成网络模型中引入注意力机制,自适应选择一维卷积核大小生成通道权重,在降低模型复杂度的同时带来了明显的性能增益;然后利用最小二乘损失函数来代替Sigmoid交叉熵损失函数,使收敛速度更快,避免出现梯度消失的问题;最后经过生成对抗网络对抗博弈不断优化训练,从而实现语音增强。实验表明,该方法相较基线方法在语音质量和清晰度方面都有良好的提升,语音质量感知评估(PESQ)指标平均提升了3.79%,短时客观可懂度(STOI)指标平均提升了4.76%,因此更适合实际应用。     

基于改进生成对抗网络的无监督晶圆缺陷检测

为实现晶圆表面缺陷的无监督检测,提出了一种改进生成对抗网络的无监督晶圆表面缺陷检测模型,该模型通过目标图像与重构图像之间的差异来检测缺陷。该方法使用带有两层跳跃连接和记忆模块的编码器-解码器卷积神经网络来搭建生成器,跳跃连接用以捕获多尺度的输入图像特征,记忆模块对潜在特征实施约束,扩大真实缺陷样本与重构样本间的距离。该方法还通过改进判别器网络结构,使模型轻量化。实验结果表明,该模型能够准确分辨具有缺陷的晶圆样本,ROC曲线下的面积值达到0.934,与已有的无监督学习检测方法相比性能更优,同时判别器网络的参数量和计算量分别降低到1 M和60 M以下。     

基于双重注意力机制生成对抗网络的偏振图像融合

针对单一强度图像缺少偏振信息,在恶劣天气条件下无法提供充足场景信息的问题,本文提出了一种基于双重注意力机制生成对抗网络用于强度图像和偏振度图像进行融合。算法网络由一个包含编码器、融合模块和解码器的生成器和一个鉴别器组成。首先源图像输入到生成器的编码器中,经过一个卷积层和密集块进行特征提取,然后通过含有注意力机制的纹理增强融合模块中进行特征融合,最后通过解码器得到融合图像。鉴别器主要由两个卷积模块和两个注意力模块组成,在网络训练过程中,通过不断博弈,迭代优化生成器网络参数,使生成器输出既保留偏振度图像的稀疏特征又不损失强度图像信息的高质量融合图像。实验表明,该方法得到的融合图像在主观上纹理信息更丰富,更符合人眼的视觉感受,并且在客观评价指标中SD提升约18.5%,VIF提升约22.4%。     

基于生成对抗网络的数字图像修复技术

针对破损区域面积大的图像,在现有的图像修复方法中,往往会产生与周围区域不一致的扭曲结构或模糊的纹理。随着深度学习的发展和应用,基于生成对抗网络的方法,通过调节可用数据来生成缺失的内容。对于一个数据集,先将数据集中的样本解析成概率分布中的样本点,利用生成对抗网络快速生成出大量伪造图像,通过搜索最接近的已损坏图像的编码,然后这个编码通过生成模型来推断缺失内容。在此基础上,结合了语义损失函数和感知损失函数,并通过改进激活函数Sigmoid函数扩大了不饱和区域,解决了梯度易消失的问题。通过实验表明,方法成功的预测了图像中大面积缺失区域的信息,并实现了照片的真实感,比先前的方法产生更清晰更连贯的结果。     

基于生成对抗网络的自动驾驶交通场景生成

自动驾驶汽车是智能交通的重要组成部分,也是未来交通的发展趋势。提高自动驾驶技术的可靠性需要对自动驾驶汽车进行广泛的测试。然而,进行实车路测成本高昂且风险较高。如何建立模型生成多样且真实的交通场景,在测试自动驾驶技术的时候显得尤为重要。针对自动驾驶交通场景生成问题,提出了一个基于生成对抗网络的交通场景生成模型TSG-GAN。TSG-GAN模型利用丰富的交通场景数据（如车道的几何形状、人行横道、交通信号、周围车辆等）快速生成真实且多样的交通场景。在设置车辆驾驶意图的情况下,TSG-GAN模型可以精确地生成现实中未观察到的真实交通场景。通过在公开数据集上进行测试,验证了该模型的有效性。     

基于改进型对抗网络的步态特征提取方研究

针对步态识别易受环境干扰等问题,本文以步态特征提取方法为研究重点,基于对抗学习网络框架提出了改进型姿态估计算法提取步态特征。该方法利用改进型残差网络获取由低层次到高层次的步态特征,随着网络层数的加深,对残差网络做出相应的调整,突出对局部细节特征信息的聚焦;同时设计了时序编码器,不仅提高了步态特征对于环境变化的泛化性,还减少了环境对特征提取的影响。最终在三种不同的实验模式下,基于CASIA数据集进行了大量的实验,识别精度均在83%以上,最终证明本文所提出的特征提取方法在复杂环境展现出良好的灵活性。     

基于半监督生成对抗网络的毫米波雷达跨域手势识别

基于深度学习的毫米波雷达手势识别以其免接触、保护隐私和环境依赖性低等特点受到越来越多的关注。但是目前的学习方法大都采用全监督方法,其性能受限于雷达数据的获取和标注,且其学习样本都来源于单一环境,极大的影响了不同场景下的迁移能力,因此本文提出了一种基于半监督生成对抗网络的跨域手势识别方法。首先,通过数据预处理,提取动态混合特征时间图（DFTM）以消除环境干扰,并且对手势动态特征进行更加全面的表征;其次,结合毫米波信号特点进行数据增强,进一步扩充数据量,提高模型泛化能力;第三,针对实际应用中可获得的标记数据通常较少的问题,提出并构建了一个改进半监督生成对抗网络,在原始GAN的基础上增加了分类器,通过生成数据帮助提高分类器辨别能力,同时利用源域中的少量标记数据和目标域中的大量未标记数据,实现域无关的手势识别。实验结果表明,对于新用户、新环境和新位置的平均手势识别准确率分别达到 98.21%、95.23%和97.6%。与现有其他手势识别方法相比,本文所提方法在只有少量标记数据的情况下也能达到较高的跨域手势识别准确率,为后续毫米波雷达人机交互提供了新的研究思路。     

基于改进生成对抗网络的动液面建模数据扩充

针对采用生成对抗网络进行油井生产参数数据生成时,部分生成数据不符合油井生产过程特性,导致动液面软测量建模质量不高的问题,提出一种基于专家诊断的生成对抗网络油井动液面软测量建模数据扩充方法。 在判别器基于真实数据与生成数据得到原始损失值后,结合油井生产的机理过程对生成数据的合理性进行专家诊断,检测判别器判别结果。 对错误结果进行补偿并加入生成器与判别器的损失函数中进行后续对抗训练,从而生成较优的符合油井生产过程特性的动液面软测量建模样本数据。 通过仿真实验,生成数据补充到软测量建模的训练数据中能够提高动液面的预测精度,均方根误差降低了5. 99%。 表明加入专家诊断模块后生成器生成数据质量更高,能够更好地满足油田生产需求。     

基于多重生成对抗网络的智能开关设备状态感知与诊断研究

随着电力物联网数据驱动技术的不断发展,传感器采集的设备量测数据规模爆发式增长,海量异构的多源监测数据给智能开关设备的实时状态感知和诊断带来了新的挑战.针对上述问题,提出一种基于多重生成对抗网络和DS证据理论的开关设备状态感知方法.首先基于DS证据理论构造融合视频、温度、压力、姿态传感器等多源数据的基本信任分配,获取表征...     

基于相关性分析和生成对抗网络的电网缺失数据填补方法

城市电网新型电力系统中多元资源增多，数据采集难度加大，导致数据随机缺失率升高，难以满足精细化分析决策需求。为了解决新型电力系统中配网量测数据在采集与传输过程中频发的缺失问题，本文提出了一种基于波动互相关分析算法（FCCA）和改进型生成对抗网络（GAN）的电网缺失数据填补方法。首先，融合FCCA提出强相关性电网数据多维特征提取方法；其次，基于核主成分分析（KPCA）对多维特征数据集进行降维处理；最后设计改进型GAN结构，融合电网数据多维特征对低维向量进行重构，实现缺失数据填补。算例采用真实电网数据进行算法验证，并在某城市电网试运行，结果表明所提方法比传统数据填补方法具有更高填补精度。所以，在新型电力系统中量测数据连续缺失和缺失量较大的情况下，融合强相关性特征进行数据填补，对提升量测数据的完整性和可用性有明显优势。     

基于策略梯度和生成式对抗网络的变压器油色谱案例扩充方法

油色谱数据的缺乏和不均衡会导致训练过拟合、模型缺乏代表性、测试集效果不理想等问题,从而难以对变压器的状态进行准确评价。针对该问题,将强化学习中的策略梯度算法引入生成式对抗网络GAN(Generative Adversarial Networks),提出了一种基于策略梯度和GAN的变压器油色谱案例生成方法。仿真结果表明,与传统的样本扩充算法相比,利用所提方法合成的样本质量较高。对包含9种故障状态共700组样本的变压器油色谱数据利用所提方法进行油色谱故障样本扩充,利用基于BP神经网络模型的变压器故障分类模型对将扩充后样本作为训练集训练得到的神经网络模型和仅用真实数据作为训练集训练得到的神经网络模型进行了对比,结果表明利用扩充的样本后,变压器故障分类准确率得到了提高。变压器故障诊断实例表明利用所提方法得到的结果与实际情况相符。