[发明专利]面向多业务应用场景的气象信息特征数据生成方法

权利要求书

1.一种面向多业务应用场景的气象信息特征数据生成方法，其特征在于：利用生成对抗网络进行数据生成，生成对抗网络包括生成器与判别器两部分，正方包含一个判别器A，目的是区分训练集中的样本和生成网络生成的新样本；反方包含一个判别器B和一个生成器，反方判别器B的目的是指导生成网络生成逼近训练集样本的新样本，判别式网络的损失函数同时也是生成网络的损失函数。

2.根据权利要求1所述的面向多业务应用场景的气象信息特征数据生成方法，其特征在于：所述判别器A是一个结构普通的判别式神经网络分类器，生成对抗网络将神经网络训练的样本分为真、假两类，来自于训练数据集的样本标签定义为真标签，而由生成网络生成的新样本的标签定义为假，判别器A实现最基本的二元分类功能，损失函数也能使用基本的二元交叉熵，判别器A的目的就是识别由生成网络产生的样本为假样本。

3.根据权利要求1所述的面向多业务应用场景的气象信息特征数据生成方法，其特征在于：生成对抗网络设定整体网络中的一个隐藏层的数据是生成样本，以该层为分界，之前的神经网络是生成网络，而之后的神经网络则是判别网络，判别器B输出一个概率值作为损失函数的输入，损失函数同样采用最基本的二元交叉熵，目的是为了让生成网络产生符合真实样本概率分布的新样本，因此生成网络持有和判别网络不同的真假认知，损失函数的优化效果会顺着整个网络往下传递，借由判别式网络为媒介向下继续更新生成网络的参数。

4.根据权利要求1所述的面向多业务应用场景的气象信息特征数据生成方法，其特征在于：生成对抗网络的训练方法，循环以下两个步骤：

(1)成因子输入生成网络生成标签为假的新样本，该新样本不再在反方的前馈网络中向上进行数据流传递，而是与原样本空间标签为真的样本一起作为判别网络的训练数据集，生成样本代表着博弈的一方生成式网络相关信息，判别网络根据此训练集学习成一个二元分类器，对原始样本输出尽可能接近1的概率值，对生成样本输出尽可能接近0的概率值，这里令这个二元分类器为分类器A；

(2)将过程一训练好的分类器A的网络参数直接迁移到反方的判别网络，反方的判别网络继承了分类器A分类真假样本的能力，令其为分类器B，此时将生成样本的假标签值替换为真标签值，作为分类器B的训练数据集；使用该训练集训练分类器B，更新整个生成网络的参数，提升生成网络的样本生成能力，生成出分类器A更难识别的新样本；

重复这两个过程，直到分类器A和分类器B都无法分辩出真假样本为止，此时GAN生成样本的效果就逼近了从样本概率分布采样的效果；

正方判别网络的损失函数公式为：

min E_p(x)logD_A(x)+E_p(g(z))log(1-D_A(G(z))) (3)

其中G(z)表示生成网络根据生成因子(隐藏变量)z生成的新样本，D_A(x)是分类器A输出真样本的条件概率，D_A(G(z))是分类器A输出生成样本的条件概率，判别网络要分辨出真假样本，则分类器A的输出D_A(x)应该尽可能的大，而D_A(G(z))应该尽可能的小，转换成损失函数表达，建立了一对极大极小概率似然函数：

对极大项做如下处理：

通过将D_A(G(z))的概率取反，表达的含义就和D_A(x)相同了，也就构成了的判别式网络最终的损失函数的形式，这个函数在数学上精确的表达了真假样本的对抗性；

反方判别网络的真假认知与判别网络相反，反方的分类器B希望给生成样本G(z)接近于1的概率值，且不存在对真实样本的判断，反方判别网络的损失函数如下：

min E_p(g(z))logD_B(G(z)) (6)

该损失函数的意义正好与正方相反，但是分类器B却和分类器A共享着分类器A的网络参数，因此分类器B会给生成样本G(z)一个接近于0的概率值，而这种反差通过损失函数表达后就是一种强烈的反馈，这种反馈会促使网络更新参数去生成更接近真实样本x的生成样本G(z)，从而让分类B给予生成样本G(z)一个接近于1的概率值，最终与损失函数所表达的意义一致。