[发明专利]一种利用生成对抗网络加速的结构优化设计方法

权利要求书

1.一种利用生成对抗网络加速的结构优化设计方法，其特征在于，包括以下步骤：

第一步、使用SIMP算法准备数据

在所有拓扑优化方法中选用传统的SIMP算法来生成少量优化过程图，并按照9：1的比例将生成的过程图数据分为训练集和测试集；

第二步、利用数据增强技术对数据集进行扩充

随机获取数据集中的数据，并进行以下操作：1)产生随机数A，若其大于0.5则进行上下翻转；2)产生随机数B，若其大于0.5则进行左右翻转；3)产生随机数C，若其大于0.5则进行顺时针旋转；

第三步、使用编码器-解码器构建生成器

自动编码器算法将神经网络的隐含层看成是一个编码器和解码器，使用编码器学习输入数据的隐含特征，解码器可使用学习到的新特征重构出原始输入数据；

第四步、使用深度卷积网络构建判别器

将一张生成图片或者真实的最终结果图像作为判别器的输入；经过多层带有步长的卷积层网络进行特征提取后，最终生成和标签大小相同的、内参仅为0或1的数据；

第五步、使用变形的pix2pix模型进行训练

生成器网络和判别器网络分别定义完成后，需要将两者连接起来循环训练；先固定生成器训练判别器，使用均方误差MSE方法计算损失值，该损失值来自两部分，一部分为输入真实结果图得到的输出值与全1标签之间的均方误差，另一部分为输入生成结果图得到的输出值与全0标签之间的均方误差，向着判别器总损失下降的方向进行训练以达到训练判别器的目的；再固定判别器训练生成器，使用均方误差MSE方法计算损失值，该损失值的获取较判别器损失值的获取复杂，应先构建一个Model，该Model的输入为生成器的两个输入，输出为生成器的输出和判别器生成的标签，其中判别器的输入为生成器的输出；则生成器的损失值即为判别器生成的标签和全1标签之间的均方误差，向着生成器损失下降的方向进行训练以达到训练生成器的目的；多次循环进行固定生成器训练判别器、固定判别器训练生成器的操作，直到判别器的错误率为50％左右为止；

第六步、使用最终模型

对变形的pix2pix模型进行训练，生成器的图像生成能力和判别器的判别能力将会得到提高，每训练10次进行训练结果输出和当前生成器模型的保存；当训练总过程结束后，首先通过传统的SIMP算法计算少量迭代步骤，将迭代结果输入到最终保存的生成器模型中进行处理，可迅速得到最终生成结果图，从而实现最终优化结构的快速计算。

2.根据权利要求1所述的一种利用生成对抗网络加速的结构优化设计方法，其特征在于，使用编码器-解码器构建生成器具体操作如下：取出数据集中的数据并进行第二步中的操作，将处理后得到的数据喂入编码器网络进行特征提取并完成图像压缩任务；将编码器网络输出的feature map再送入解码器网络，可将被压缩的图像进行放大，在此过程中，将编码器和解码器过程中具有相同尺寸的feature map连接到解码器中，以便充分利用编码器网络中的结构信息，保持特征的不变性，达到更好的重建效果。