基于生成对抗网络的对抗样本集成防御

针对现有对抗样本防御方法防御能力不足、时间消耗过高等问题,参考生成对抗网络与集成学习在对抗样本研究中的优势,本文提出一种基于生成对抗网络的对抗样本集成防御方法.该方法使用生成对抗网络训练多个能够消除对抗样本表面对抗扰动的生成器,使用集成学习方法将多个生成器进行集成作为最终的防御.该方法的生成对抗网络由生成器和判别器组成...     

基于LSGAN-LSTM的齿轮故障诊断

针对难以获取足量样本数据的齿轮故障诊断率低的问题,提出一种基于最小二乘生成对抗网络(LSGAN)结合长短期记忆网络(LSTM)的方法.将齿轮的原始样本输入LSGAN模型中,通过对生成网络和判别网络的交替训练,学习出不同状态的样本数据,从而实现数据增强,通过生成样本结合原始样本训练LSTM诊断模型,完成小样本下的故障诊断.以康狄涅格大学的齿轮实验数据为例对所提方法进行验证,结果表明,与传统方法相比,诊断准确率提高至98.3%.通过可视化方法显示出诊断方法的优越性,为小样本条件下的故障诊断提供参考.     

基于生成对抗网络的对抗防御系统

针对不断更新的对抗攻击,提出一个基于生成对抗网络的防御系统.系统利用生成对抗网络不断生成新的对抗样本,反复训练模型以增强其鲁棒性.具体过程为将预先训练的卷积神经网络和外部GAN(conditional GAN:Pix2Pix)相结合,自动流水线式地推断对抗样本和干净样本之间的转换关系,并合成新的对抗样本.根据分辨得到的...     

基于生成对抗网络的分布式光伏窃电数据增强方法

由于分布式光伏窃电的稽查难度大,致使相关部门收集的窃电样本数量有限,无法满足基于数据驱动的窃电检测需求。通过数据增强的方式,提出一种基于Wasserstein生成对抗网络(WGAN)的分布式光伏窃电样本数据增强方法。首先,WGAN通过生成网络与判别网络的对抗训练,能够学习到光伏窃电数据序列难以显式建模的时间相关性,可以生成与真实窃电样本具有相近分布的新的窃电样本;然后,根据典型的光伏窃电模型,针对窃电样本的数据特征选用卷积神经网络(CNN)进行窃电检测;最后,通过算例分析,对比不同数据增强方法与分类器,表明WGAN生成的窃电样本能够符合真实样本的波动规律和历史数据的概率分布特征,进而有效改善分类器的检测性能。     

基于深度学习的洗衣机异常音检测

基于卷积神经网络框架,提出一种洗衣机异音识别模型,根据卷积神经网络显著特征提取能力和平移不变性,学习洗衣机的异音特征,实现生产线洗衣机的异音自动智能识别。给出完整的过程解决训练数据集的建立、数据样本不平衡等问题。提出一种用于数据增强的网络模型——音频深度卷积生成对抗网络解决训练样本的稀缺性问题。该模型对传统的深度卷积生成对抗网络进行改进,以更好地适应工业音频的生成。利用该模型能够对原始数据进行扩展,生成洗衣机异音增强数据集,在该数据集的基础上进行卷积神经网络训练,经测试准确率达到0.999。利用添加背景噪声信号的数据集测试洗衣机异音识别模型的泛化能力,正确识别率达到0.902,表明该网络在识别洗衣机异音方面具有良好的鲁棒性。     

图像样式风格迁移的行人再识别方法

现有行人再识别模型的训练集,来源于有限的固定采集设备,样本样式风格缺乏多样性.通过循环生成对抗网络,使不同摄像机捕捉到的图像数据进行样式风格迁移,可以通过较低成本来提升样本风格的多样性.为了提高模型的泛化能力,设计了一种新的正负样本融合训练方法.首先,把样式风格迁移后的样本作为负样本,样式风格迁移前的样本作为正样本,将正负样本同时送入模型训练;进一步,为了防止过拟合,也为了考虑错误标签位置的损失,采用了标签平滑正则化;同时,为了更多地关注困难、易错分的样本,实现对负样本的损失优化,采用了焦点损失函数.实验结果表明,所提方法在Market-1501数据集和DukeMTMC-reID数据集上的识别准确率分别提升了1.51%和2.07%.     

基于DBSCAN＿GAN＿XGBoost的网络入侵检测方法

由于网络异常流量检测中异常流量数据占比不平衡,导致模型不能对稀有攻击类别流量进行充分学习,从而影响模型训练和检测精度。针对这一问题,提出一种基于DBSCAN＿GAN＿XGBoost的网络入侵检测模型,该模型在对稀有攻击类样本进行扩充时,着重扩充更容易让机器学习产生混淆的噪声样本。首先,利用DBSCAN算法对提取出的稀有攻击类别数据进行聚类处理,生成一个或多个子簇,并提取出簇内样本和游离在簇外的噪声样本;然后,使用生成对抗网络模型对提取出的簇内样本和噪声样本分别进行样本扩充,改变数据集中原有的样本比例;最后,使用重新构建后的数据集对以决策树作为基分类器的XGBoost算法进行训练,并完成网络异常流量数据的检测。采用UNSW-NB15数据集进行对比实验,实验结果表明：DBSCAN＿GAN＿XGBoost模型的准确率和精确率分别为98.76%和96.5%,比样本扩充前分别提高了15.63百分点和19.60百分点,有效地提高了稀有攻击类别的检测精度。     

基于生成对抗网络的太阳能电池缺陷增强方法

为了解决太阳能电池样本不均衡问题,提出负样本引导生成对抗网络的太阳能电池缺陷样本增强方法. 通过在生成对抗模型中引入大量负样本和增加负样本引导损失,促进模型对正样本特征的表达,提升生成样本的多样性;设计自适应的权值约束方法,平衡生成器和判别器的表达能力,提升生成样本的质量. 实验结果表明,在太阳能电池电致发光(EL)缺陷数据集上,提出方法的生成质量和检测精度优于深度卷积生成对抗网络（DCGAN）、梯度惩罚Wasserstein距离生成对抗网络（WGAN-GP）和一阶导数生成对抗网络（FOGAN）;该方法的F测度较DCGAN、WGAN-GP和FOGAN分别最高提升了10%、8%和5%,具有较好的数据增强性能. 在带钢表面缺陷数据集及DAGM 2007公共数据集上,提出方法的性能优于DCGAN、WGAN-GP和FOGAN,具有一定的泛化能力.     

风光出力场景生成的条件深度卷积生成对抗网络方法

针对多能源电力系统中给可再生能源消纳和系统优化调度带来不利影响的风电和光伏发电功率的不确定性的问题,提出了一种基于改进条件深度卷积生成对抗网络的风光出力场景生成方法.首先,设计适用于风电和光伏出力场景生成的条件生成对抗网络的网络结构,并采用Wasserstein距离作为判别器损失函数.然后,通过条件生成对抗网络的博弈训练使生成器学习到随机噪声与真实历史数据训练集的映射关系,从而高效地生成与真实场景分布接近的场景.最后,利用我国西北某省的风光历史出力数据进行测试,并与基于Markov和Copula理论的场景生成方法进行对比验证,结果表明文中方法生成的场景能够准确地描述可再生能源出力的不确定性.     

基于无配对生成对抗网络的图像超分辨率重建

针对基于生成对抗网络的图像超分辨率重建方法依赖配对数据集训练且结果不稳定的问题,提出了一个新的基于无配对图像的模型N M-SRGA N.首先,通过使用循环生成对抗网络作预处理模块,使模型可以不依赖配对数据集进行训练且获得更好的输入图像,同时该模型取消了BN层的使用,解决了结果不稳定的问题.然后,使用了协方差矩阵捕捉图像...     

基于SmsGAN的对抗样本修复

针对对抗样本给基于深度学习的检测模型带来的严重识别干扰问题,提出一种基于随机多滤波特征统计生成对抗网络(SmsGAN)的对抗样本修复方案.采用随机多滤波特征统计网络(SmsNet)构建了特征统计层,实现了对抗样本的高精度检测,并将每个卷积核输出的特征图直接送到特征统计层获取全局特征.随机多滤波特征统计生成对抗网络(Sm...     

基于迁移学习的少样本朝鲜语古籍文字的识别方法

为解决少样本朝鲜语古籍文字识别精度低的问题,提出了一种基于迁移学习的少样本文字识别方法.首先提出了一种结合传统数据增强和条件深度卷积生成对抗网络的数据增强方法,以此扩充朝鲜语古籍文字图像的训练样本数.其次,将富样本集预训练得到的模型迁移到少样本数据集的学习任务中,以此实现少样本的朝鲜语古籍文字识别.实验结果表明,提出的数据增强方法能够满足模型预训练和少样本的学习要求,且VGG16、ResNet18和ResNet50 3种网络模型在测试集上均获得良好的识别性能,其中ResNet50的识别准确率最高(99.72%).因此,该方法可有效解决小样本的朝鲜语古籍文字识别问题,并可为其他语种的小样本文字识别提供参考.     

基于深度卷积生成对抗网络的不平衡大数据监测与诊断

针对不平衡数据集的在线监测与诊断问题,提出一种基于深度卷积生成对抗网络的算法模型.通过生成器与判别器之间的不断对抗,实现对数据训练网络参数的调整和优化,并得到近似分布数据,用以矫正数据集的不平衡性.利用深度卷积网络的转置卷积层替代池化层,在检测空间内实现上下同步采样,同时避免反复选择数据训练层参数而带来高成本计算.生成...     

基于循环生成对抗网络的学习型光学图像加密方案

为克服光学图像加密方法受光学器件性能限制和随机相位掩膜板制造工艺复杂的问题,提出了一种基于循环生成对抗网络(CycleGAN)的学习型光学图像加密方案。首先,使用经典双随机相位编码加密明文样本图像,构造出明文图像-密文图像训练集。然后,将其作为循环生成对抗网络的输入,自动学习光学图像加密的加密特性,训练得到光学图像加密学习模型。最后,利用仿真实验对使用CycleGAN训练的加密模型生成的图像进行加密解密性能测试。数据分析表明,该模型能够有效保护图像信息的安全和较好地恢复密文图像,学习型光学加密模型具有加密性能不受光学加密器件限制的优点,可以实现批量图像的快速加密。     

结合互信息最大化的文本到图像生成方法

在堆叠式文本到图像生成模型的基础上,针对其生成样本分布不均匀导致多样性不足的问题,提出了一种结合局部-全局互信息最大化的堆叠式文本到图像的生成对抗网络模型。首先利用生成模型将全局向量解耦得到不同尺度特征图;然后通过最大化特征图与全局向量间的互信息,对图像全局特征与文本描述的相关性进行增强;最后,将特征图提取为局部位置特征向量,通过最大化局部位置特征向量与全局向量之间的平均互信息,加强局部位置特征与文本描述的相关性,得到更紧密的文本到图像的映射关系。在CUB数据集上的实验验证了该方法能有效地提高生成样本的多样性,同时在主观评价上能生成语义精确度更高的样本,更接近自然图像。     

基于注意力机制的生成对抗网络古诗插图生成方法

古诗插图自动生成是非常具有挑战性的任务。提出了一种新的方法,通过使用注意力机制的生成对抗网络,输入古诗文字和草绘图,经由网络输出古诗插图。该模型在利用编码与解码的图片生成结构的同时,结合注意力机制,将图像色彩及轮廓特征进行了提取,生成器中加入了残差网络模块,增加了网络深度,同时提高了网络模型的效果,最终生成图像质量更高的古诗插图。实验结果表明,所提方法相较于对比方法,在图像质量和色彩渲染方面均有优势,输入的古诗和草图经过网络模型,生成了较为符合古诗意境的插图。     

基于多尺度条件生成对抗网络血细胞图像分类检测方法

针对血细胞图像中白细胞样本较少和生成细胞图像细节不清晰,导致检测精度较低的问题,提出基于多尺度鉴别器的条件生成对抗网络. 该网络通过生成并添加大量逼真的白细胞图像到分类检测网络训练集的方式,实现对血细胞图像的生成和分类检测. 在现有条件生成对抗网络真假鉴别器中,引入多尺度卷积核、池化域并在通道上拼接,提升鉴别器对微观细节纹理特征和宏观几何特征的鉴别能力;引入梯度相似性损失函数,以提高生成细胞图像的亮度及边缘清晰度,提升图像的真实感. 实验证明,在图像生成阶段,增加多尺度鉴别器和梯度相似性损失函数提高了生成细胞图像的质量;在图像分类检测阶段,对比仅有真实数据训练的情况,增加细胞样本多样性使细胞分类检测的平均精度由90.4%提升至94.7%.     

基于改进ACGAN的永磁同步电机数据扩张方法

永磁同步电机（permanent magnet synchronous motor,PMSM）的监测数据呈现出非平稳、非线性、多源异构性和价值低密度性等特点,而仿真数据难以准确地模拟电机故障类型和故障程度,使得正常数据与故障数据的样本呈现严重不均衡现象,导致故障诊断的模型训练容易出现过拟合、精度低等问题。本文提出了一种改进辅助分类生成对抗网络（auxiliary classification generation adversarial network,ACGAN）,通过对原始样本的分布特性进行学习,实现对PMSM实测故障数据的扩张,为电机的故障诊断和健康评估提供数据基础。首先,针对ACGAN网络收敛性差和梯度易消失或爆炸的问题,使用Wasserstein距离约束生成数据的重建损失,利用梯度惩罚代替权值剪裁对模型进行优化,解决模型训练不稳定问题;其次,剖析数据之间的变化关系和历史变化规律,在生成器中引入循环神经网络提高生成数据质量;最后,利用PMSM匝间短路的故障数据,对比分析ROS、SMOTE、ADASYN及改进ACGAN 4种数据扩张方法对提升故障诊断模型性能的有效性。分析结果表明,与其他数据扩张方法相比,改进ACGAN方法的模型训练较稳定、收敛速度较快,扩张数据质量较高。     

基于生成对抗网络的交通模糊图像复原

针对光线及车辆运动造成的交通图像模糊和分辨率低等问题,提出一种基于生成对抗网络(GAN)的图像复原方法.在生成器中加入ResNeXt残差块,提高模型的去模糊效果,并使用对抗损失和感知损失保证图像内容的一致性;以DiscoGAN为基础,构建2个GAN对非成对图像进行正向循环和反向循环,实现了模糊域到清晰域的相互转换.实验...     

融合残差块注意力机制和生成对抗网络的海马体分割

研究一种基于改进的生成对抗网络的深度学习方法对海马体进行分割。提出不同的卷积配置,以捕获由分割网络获得的信息。提出以Pixel2Pixel为基本架构的生成对抗网络模型,生成模型结合残差网络以及注意力机制的编解码结构以捕获更多细节信息。判别网络采用卷积神经网络对生成模型的分割结果和专家分割结果进行判别。经过生成模型和对抗模型不断地传递其损失,使生成模型达到分割海马体的最优状态。使用来自ADNI数据集130名健康受试者的T1加权MRI扫描和相关海马标签作为训练和测试数据,以相似度系数作为评价指标,准确率达到89.46%。试验结果表明,该网络模型可以实现高效地自动分割海马体,对于阿尔茨海默症等疾病的正确诊断具有重要的现实意义。