摘要：针对条件对抗神经网络(CGAN)只能进行真假不能进行分类判别和半监督对抗神经网络(SGAN)需要同时进行分类和真假判别的缺点,提出了一种改进对抗神经网络CSGAN模型,并给出了具体设计。该对抗网络的生成器G以CGAN为基础,由多层感知机(MLP)构成;判别器D以SGAN为基础,由卷积神经网络(CNN)构成。基于CSGAN,还提出了一种二维对抗神经网络轴承故障诊断方法,该方法首先将原始故障信号归一化到[-1,1]区间,然后利用一个滑窗从归一化数据中截取1024长度的数据,并转换构成32×32尺寸的二维矩阵作为CSGAN的输入。经多个公开数据集验证表明,这一诊断方法在不同样本比例的情况下都能有效提高判别器的诊断精度,具有良好的适用性。

摘要：针对医疗科研数据加密系统解密误差大等问题,设计一种混合加密系统。该系统实现数据资源的独立分配计算,优化混合加密算法。设置不同长度的密钥对设计的系统和基于深度学习的加密系统进行测试,实验结果表明,当密钥长度较长时,设计系统解密平均错误bit数量明显低于传统系统,验证了设计系统在实际应用中的可靠性。

摘要：针对人口流量统计数据存在精确低等缺点,提出了一种多尺度轻量级对抗神经网络的人数统计方法,该神经网络通过多尺度CNN层与Mobilenet V3层的结合、基于Resnet-50残差网络的分块判别器模型设计和郊狼算法的优化参数等措施提高了神经网络的精度,仿真实验说明该文算法在算法精度上相比于CNN算法具有一定的优势,具有较好的统计识别效果。

摘要：针对强干扰环境下无线图传的接收端易发生图像马赛克、缺失等问题,文中基于信道编码算法和弱监督网络提出了一种抗电磁干扰无线图传方案.该方案由压缩采样、显著性区域检测、LDPC信道传输三部分组成.压缩采样针对无线信道进行了优化,旨在减小图像传输数据量,显著性区域检测由类激活映射网络和对抗神经网络组成,通过获取图像主体信息保证了图像传输质量.在无线传输过程中,使用LDPC完成编解码,增强了信道抗干扰能力.实验测试结果表明,所提方法的PSNR以及SSIM指标在对比算法中均为最优,而且FPS达到了30帧以上的流畅标准,证明算法模型具有良好的工程应用价值.

摘要：基于图像的物体三维重建一直是计算机视觉领域的研究热点.与二维人脸图像相比,三维人脸模型能够承载更多的信息从而具有更广泛的应用前景,如更精准的身份信息识别标志、更准确的情感表达媒介等.为了从单幅大视角的二维人脸图像中重建出具有真实感的三维彩色人脸模型,提出一种结构简单但有效的算法.首先设计一个编码-解码网络,从原始RGB图像生成并记录完整的三维人脸信息的二维UV位置图;然后使用一个卷积神经网络从中重塑出三维人脸;最后考虑人脸大视角时的自遮挡情况,进一步通过条件生成对抗网络补全UV纹理图的缺失.使用Stirling/ESRC 3D Face Database与其他三维人脸重建的算法进行对比实验,结果表明,所提算法能够实现更高的重建精度,特别是在大视角人脸图像重建应用中,即使在复杂环境下也可以获得完整和真实的三维人脸模型.

摘要：针对月球表面先验图像信息获取困难的问题,提出一种基于对抗神经网络的月表先验图像数据增强方法。在获取少量月表图像及障碍背景分割图的基础上,构建基于对抗神经网络的月表图像数据增强架构,利用新的障碍背景分割图匹配生成月表图像,扩充月表先验图像数据,可用于月球探测中障碍检测算法设计验证。仿真结果证明了所提方法生成的月表图像接近真实拍摄图像,且通过数据增强图像数据,使障碍检测结果获得明显提升,证明了方法的有效性。

摘要：设计了基于对抗域适应迁移学习的入侵检测攻防两面性实验。实验基于课题组科研成果,针对对抗域适应迁移模型,提出通过增设迁移学习不同阶段的域对齐来提高迁移能力,以及利用增强域损失评判函数,实现入侵检测防御知识迁移的实验设计思路。实验中,组织学生利用对抗神经网络,分别实施网络攻击数据伪造和迁移学习入侵检测知识防御,仿真了“攻防”场景,有利于学生深入掌握对抗域适应和迁移学习的入侵检测前沿技术与发展趋势。

摘要：由于舰船电机轴承信号类型较多,且大多数为无用信号,降低了故障信号分量之间的相关性,因此研究改进MSEA-CNN的船舶电机轴承故障诊断方法。利用自适应线性神经网络,设计移除非轴承故障分量滤波器,在轴承振动信号内剔除非故障信号分量,提取轴承故障信号分量。通过生成式对抗神经网络,得到各故障信号分量的样本标签,实现故障信号分量分类。融合样本标签与故障信号分量,获取故障诊断训练集。利用注意力与多尺度卷积神经网络,建立故障诊断模型。实验证明:该方法可有效提取故障信号分量;该方法提取故障信号分量特征间的相关系数较低,说明该方法具备较优的特征提取效果。

摘要：视频或者图像在传输过程中,可能出现随机性的误码、突发性的误码、传输中的丢包等等,对解码出的图像数据也会有严重的影响.本文提出了基于深度学习的图像重建算法:一种基于图像背景预测生成模糊区域内容的无监督图像重建神经网络模型.为了重建出逼真的图像,神经网络模型需要既理解整个图像的内容,又为缺失的部分重构出一个合理的假设.损失函数包含标准像素级重建损失和对抗损失,在训练卷积神经网络模型时,能够更好地处理图像中的结构细节产生更清晰的结果.通过实验可以发现本文设计的深度卷积神经网络模型与基于样本插值的算法相比在图像重建中有着较好的效果.

摘要：针对传统异常数据检测准确性低且运行时间长的问题,文中基于深度学习框架设计了一套医疗设备异常数据分析检测算法。该算法对自编码器与对抗神经网络进行了融合及改进,变分自编码器(VariationalAuto-Encoder,VAE)模型将变分算法与自编码器算法相结合,有效提升了原模型的抗干扰性能。而WGAN-PA模型则使用Wasserstein距离代替原有GAN的交叉熵,并通过加入剪枝模块优化了梯度问题,从而减少了模型的训练量。结合后的模型可对高维数据进行降维,且综合性能也较为理想。实验结果表明,所提算法的精确率和召回率分别为0.745和0.578,优于其他对比算法,同时还能对设备的健康状态进行预测,具有良好的工程实用价值。