[发明专利]基于改进生成对抗网络的多能计量特征数据生成方法及装置

权利要求书

1.一种基于改进生成对抗网络的多能计量特征数据生成方法，其特征在于：包括以下步骤：

步骤1、利用卷积神经网络构成生成网络和判别网络，在判别网路的损失函数中引入梯度惩罚机制，训练产生多能计量数据的改进型生成对抗网络；

步骤2、使用训练好的改进型生成对抗网络获得满足原数据分布关系的新多能计量数据。

2.根据权利要求1所述的一种基于改进生成对抗网络的多能计量特征数据生成方法，其特征在于：在所述步骤1之前还包括对计量数据预处理的步骤，具体方法为：对多源计量样本数据及包含噪声数据的训练数分别进行层归一化，并且将处理过的数据分别输入生成判别网络和生成网络。

3.根据权利要求2所述的一种基于改进生成对抗网络的多能计量特征数据生成方法，其特征在于：所述对多源计量样本数据及包含噪声数据的训练数分别进行层归一化，并且将处理过的数据分别输入生成判别网络和生成网络的具体步骤包括：

(1)对输入某层神经网络的计量数据求和并除以该层神经元个数等到平均值μ^l：

(2)然后根据如下公式求得标准差σ^l：

(3)最后用输入到第i个神经元的计量值减去μ^l再除以σ^l得到层归一化计量数据并且将处理过的计量数据输入改进的生成对抗网络，其计算公式为；

式中，l为某层神经网络，H为每层中隐藏神经元的个数。

4.根据权利要求1所述的一种基于改进生成对抗网络的多能计量特征数据生成方法，其特征在于：所述步骤1的具体步骤包括：

(1)利用卷积神经网络构成包含多能计量数据特征的数据的生成网络；

(2)利用卷积神经网络构成判别网络，并将生成网络和判别网络进行零和博弈，使得卷积神经网络学到数据之间的映射关系，当判别网络判断生成网络产生的数据与样本数据一致时，则训练完毕；

(3)在判别网路的损失函数中引入梯度惩罚机制，使得生成网络和判别网络的损失函数如式(4)、(5)所示，并对卷积神经网络进行训练，获得已经学得样本数据特征的多能计量数据的改进型生成对抗网络；

式中，L(G)为生成网络的损失函数，为生成网络生成的数据，P_g为的分布，D(～)为判别网络的输出，E为期望分布，L(D)为判别网络的损失函数，x为样本数据(多能计量数据)，P_r为x的分布，λ为惩罚系数，取值为10的训练效果较好；ε为0-1的随机数；为的分布。

5.一种基于改进生成对抗网络的多能计量特征数据生成装置，其特征在于：包括：

改进型生成对抗网络训练模块，用于利用卷积神经网络构成生成网络和判别网络，在判别网路的损失函数中引入梯度惩罚机制，训练产生多能计量数据的改进型生成对抗网络；

多能计量数据模块，用于使用训练好的改进型生成对抗网络获得满足原数据分布关系的新多能计量数据。

6.根据权利要求5所述的一种基于改进生成对抗网络的多能计量特征数据生成装置，其特征在于：该基于改进生成对抗网络的多能计量特征数据生成装置还包括：计量数据预处理模块，用于对多源计量样本数据及包含噪声数据的训练数分别进行层归一化，并且将处理过的数据分别输入生成判别网络和生成网络。

7.根据权利要求6所述的一种基于改进生成对抗网络的多能计量特征数据生成装置，其特征在于：所述计量数据预处理模块包括：

(1)首先对输入某层神经网络的计量数据求和并除以该层神经元个数等到平均值μ^l：

(2)然后求得标准差σ^l：

(3)最后用输入到第i个神经元的计量值减去μ^l再除以σ^l得到层归一化计量数据并且将处理过的计量数据输入改进的生成对抗网络，其计算公式为；

式中，l为某层神经网络，H为每层中隐藏神经元的个数。

8.根据权利要求5所述的一种基于改进生成对抗网络的多能计量特征数据生成装置，其特征在于：所述改进型生成对抗网络训练模块包括：

(1)利用卷积神经网络构成包含多能计量数据特征的数据的生成网络；

(2)利用卷积神经网络构成判别网络，并将生成网络和判别网络进行零和博弈，使得卷积神经网络学到数据之间的映射关系，当判别网络判断生成网络产生的数据与样本数据一致时，则训练完毕；

(3)在判别网路的损失函数中引入梯度惩罚机制，使得生成网络和判别网络的损失函数如式(4)、(5)所示，并对卷积神经网络进行训练，获得已经学得样本数据特征的多能计量数据的改进型生成对抗网络；

式中，L(G)为生成网络的损失函数，为生成网络生成的数据，P_g为的分布，D(～)为判别网络的输出，E为期望分布，L(D)为判别网络的损失函数，x为样本数据(多能计量数据)，P_r为x的分布，λ为惩罚系数，取值为10的训练效果较好；ε为0-1的随机数；为的分布。