基于MDT数据的深度覆盖智能预测方法研究

本文基于大规模MDT数据结合机器学习算法，将人工智能技术与网络规划仿真相结合，研究一种符合网络实际环境的无线电波传播模型，实现网络深度覆盖的智能预测。通过将原始MDT数据清洗和去噪得到合理的数据集，搭建全连接神经网络，计算每个接收点与发射机之间的6种关键地理特征向量，并输入神经网络进行训练及网络参数调优，得到指标合理的传播模型。基于网络工参进行单站、多站的仿真验证和外场测试对比，模型泛化性好、鲁棒性高，仿真预测结果合理准确，符合地理环境变化，与外场测试对比效果理想。基于MDT数据训练的智能传播模型能精准地实现网络深度覆盖预测，具有极高的指导意义和应用价值。     

基于差分隐私技术的DCGAN模型优化研究与实现

图像数据开放共享是促进大数据在工业领域应用发展的关键,其打破业务壁垒和“数据孤岛”现象,实现信息的跨部门、跨层级共享。但在共享过程中存在图像数据隐私信息泄露的风险。因此针对无法实现数据直接共享的图像数据,将生成对抗网络的变体深度卷积生成对抗网络（deep convolutional generative adversarial networks,DCGAN）与差分隐私进行结合,设计了带有差分隐私的深度卷积生成对抗网络（deep convolutional generative adversarial networks with dif ferential privacy,DP-DCGAN）模型。所提出的模型通过给DCGAN中从判别器传递回生成器的梯度上加噪以减小真实数据对生成器的贡献,实现在隐私保护的基础上生成高质量的数据,并将生成数据进行共享。     

改进生成式对抗网络的图像数据集增强算法

针对现有深度学习中图像数据集缺乏的问题,提出了一种基于深度卷积生成式对抗网络(Deep Convolutional Generative Adversarial Network, DCGAN)的图像数据集增强算法。该算法对DCGAN网络进行改进,首先在不过多增加计算量的前提下改进现有的激活函数,增强生成特征的丰富性与多样性;然后通过引入相对判别器有效缓解模式坍塌现象,从而提升模型稳定性;最后在现有生成器结构中引入残差块,获得相对高分辨率的生成图像。实验结果表明,将所提方法应用在MNIST、SAR和医学血细胞数据集上,图像数据增强效果与未改进的DCGAN网络相比显著提升。     

改进DCGAN数据增强的番茄叶子病害图像识别

针对番茄叶子病害图像难以采集的问题，提出一种基于生成对抗网络的番茄叶子病害图像增强方法——Residual Network and Wasserstein Attached Spectral Normalization DCGAN(RWS＿DCGAN)。带有谱归一化的残差网络结构构建了新型的生成器模型和判别器模型，引入带有梯度惩罚项的Wasserstein距离。通过实验表明，改进的生成对抗网络RWS＿DCGAN相较于常规增强方法和DCGAN增强方法，能生成病害明显的番茄叶子病害图像，扩充样本数据集，进而能提升分类网络的识别准确率。     

基于谱约束的生成对抗网络图像数据生成研究

数据匮乏是深度学习面临的一大难题。利用生成对抗网络(GAN)能够基于语义生成新的图像数据这一特性,提出一种基于谱约束的生成对抗网络图像数据生成方法,该方法针对卷积生成对抗网络模型易崩溃不收敛的问题,从每层神经网络的参数矩阵W的谱范数角度出发,引入谱范数归一化网络参数矩阵,将网络梯度限制在固定范围内,减缓判别网络收敛速度,从而提高GAN的训练稳定性。实验表明,通过该方法生成的数据相比原始GAN以及DCGAN、WGAN等生成的图像样本数据在图像识别网络中具有更高的准确率,能够对少量样本数据进行有效扩充。     

基于DCGAN的含目标回波图像生成

<正>为了改善海杂波和含目标回波分类问题中的样本不均衡问题，给出一种基于深度卷积生成对抗网络(Deep ConvolutionalGenerativeAdversarialNetworks,DCGAN)的含目标回波数据图像生成方法。首先，使用改进损失函数优化了DCGAN，建立含目标回波生成模型；其次，将IPIX雷达目标数据库中1023张含目标回波图像作为模型输入，对模型进行训练；最后，     

脉冲噪声环境下水声通信信号调制识别方法

为了提高浅海脉冲噪声环境下水声通信信号调制识别的性能和实用性,提出了基于降噪自编码器和卷积神经网络的调制识别方法。首先,利用降噪自编码器对含噪声信号进行降噪处理,然后,利用卷积神经网络对降噪信号的功率谱图进行分类,从而完成调制识别。此外,采用数据迁移思想构造训练数据集对网络进行训练解决了目标水域数据样本不足的问题。仿真实验和实际信号测试结果验证了本文方法的有效性。与现有算法相比,具有较高的识别率,并且提升了目标信道数据不足条件下的识别性能。      

基于改进DCGAN的汽车冷凝器图像生成方法

深度学习方法在工业产品图像缺陷检测领域取得进展,但是大量的缺陷数据难以收集.针对在生成汽车冷凝器缺陷图像过程中存在生成质量低、无法按缺陷类别生成,模型收敛缓慢等问题,将生成对抗网络应用于缺陷图像的生成,提出了一种基于半监督和自注意力机制的深度卷积生成对抗网络(DCGAN)模型用于生成汽车冷凝器外观缺陷图像.在DCGAN...     

基于多尺度梯度的轻量级生成对抗网络

随着生成对抗网络研究的推进，网络模型的计算量急剧增加，其自身的训练不稳定问题依然存在，生成图像的质量也有待提升。为解决以上问题，文中提出一种轻量级生成对抗网络模型，引入多尺度梯度结构解决训练不稳定的问题。通过融合自注意力机制和动态卷积的思想，利用循环模块和图像增强模块，在保持较少参数的前提下提高模型的学习能力。对文中所提算法进行验证，实验结果表明该算法在CelebA数据集上的IS(Inception Score)值为2.75,FID(Fréchet Inception Distance)值为70.1,在LSUN数据集上的IS值为2.61, FID值为73.2,相比SAGAN、DCGAN等经典模型性有所提高，验证了该算法可行性和性能。     

基于DCGAN的数据增强方法

针对深度学习中训练样本数量少，难以满足深度学习需求的问题，提出一种基于深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Networks,DCGAN）的数据增强方法，将深度学习运用于数据增强，利用卷积神经网络（Convolutional Neural Network,CNN）构建生成器与鉴别器网络，引入高斯误差线性单元（Gaussian Error Linear Unit,GELU）作为激活函数。将名人头像数据集（Large-scale CelebFaces Attributes,Celeb A）作为训练样本进行训练。试验结果表明，该网络的鉴别器损失值快速收敛于0附近，生成器损失值快速收敛于3附近，收敛速度较快。网络能够根据学习到的样本数据分布，生成逼真的样本数据，该方法能够有效解决样本数量稀少的问题，实现数据增强。