摘要：随着知识图谱的应用越来越广泛,绝大多数真实世界的知识图谱通常具有不完备性,限制了知识图谱的实际应用效果。因此,知识图谱补全成为了知识图谱领域的热点。然而,现有方法大多集中在评分函数的设计上,少部分研究关注了负样本抽样策略。在改善负样本抽样的知识图谱补全算法的研究中,基于生成式对抗网络的方法取得了不错的进展。然而,现有研究并没有关注到负样本存在假阴性标签的问题,即生成的负样本中可能包含真实的事实。为了缓解假阴性标签问题,提出了一种基于生成式对抗网络和正类无标签学习的知识图谱补全算法。该方法利用生成式对抗网络生成无标签样本,并使用正类无标签学习缓解假阴性标签问题。在基准数据集上进行的大量实验证明了所提算法的有效性与准确性。

摘要：针对基于深度学习的分类模型在训练样本较少时所遭受的潜在过拟合问题,提出一种具备过拟合抑制的生成式对抗网络分类算法,并应用于高光谱图像分类。该算法在每次迭代时,首先,依据训练样本的标签信息使判别器网络拟合训练样本的数据分布;然后对训练样本的高维特征进行均值最小化,该过程会重新更新判别器网络参数,减小参数的值和方差,以抑制过拟合;最后,将本算法应用于针对高光谱图像所设计的光谱空间分类模型进行分类。实验结果表明,在标准数据集Indian Pines和Pavia University中随机选取1%标记样本进行训练,总体分类精度分别达到了89.61%和98.79%,相比于其他现有算法有明显的提高,较表现最好的分类方法,总体分类精度分别提升了5.17%和1.38%。在Indian Pines数据集取1%标记样本,Pavia University数据集取0.1%标记样本的情况下,本文算法对过拟合的抑制效果优于几种常用的过拟合抑制算法,较表现最好的Dropout算法,总体分类精度分别提升了5.60%和3.20%。

摘要：在真实雾天场景下,针对除雾网络无法去除远处雾气、天空区域容易出现噪声的问题,提出了一种基于多尺度密集特征融合的生成式对抗除雾网络,并采用制作的合成雾天数据集进行对抗训练.首先,对除雾网络进行设计,构建了网络模型;其次,从合成晴朗天气图像中利用深度标签生成逼真的雾天数据集,以适用于真实雾天除雾领域;最后,在真实雾天数据集上测试,选取近几年具有代表性的6种基于深度学习的除雾网络进行主观视觉效果,并借助除雾领域常用的无参考图像质量评价指标进行客观分析.研究结果表明:提出的除雾网络在真实场景下的除雾效果较其他网络有显著提升,主观视觉效果明显优于对比的除雾网络,在无参评价指标上综合表现优于其他除雾网络.

摘要：针对风机叶片开裂状态样本少、识别率低的问题,提出基于生成式对抗网络(GAN)的开裂状态样本增强方法来提高识别率。以经验风险分类模型为对象,从理论角度对不平衡样本问题进行深入分析,设计了满足开裂样本生成与判别的GAN网络模型,引入批量归一化保障特征服从标准正态分布,加速网络训练过程收敛。以神经网络为分类器,以F1值、Recall、Precision为度量指标,在36个UCI基准数据集上对所提方法进行测试,结果表明增强后的结果更好。真实实验表明,以逻辑回归及神经网络为分类器,相比原始不平衡样本,增强后的结果分别提升13.88%,8.20%。与SMOTE算法对比,以上两种分类器的分类准确率分别提高74%和11%;与ADASYN算法对比,分类准确率分别提高19%和23%。

摘要：在外物遮挡、扫描盲区等多种不利因素影响下,激光扫描数据存在缺失现象,影响数据质量,为了解决该难题,设计了基于生成式对抗网络的激光扫描数据缺失填补方法。首先采用坐标控制扫描模式采集不利因素影响下的激光扫描数据。然后利用生成式对抗网络进行数据填充操作,并判断数据完整性,实现激光扫描数据准确填补。最后测试结果表明,本方法能够提高激光扫描数据完整性,保证激光扫描数据的可靠性。

摘要：目前实际情况下空间光通信系统中往往只能得到有限数量的带标签样本,导致大气湍流的影响下传统CNN对OAM模式识别率低,系统误码率较高。针对该情况,设计一个基于GAN的神经网络模型作为OAM模式分类器,将GAN与CNN相结合,引入条件信息监督生成过程并用最小二乘损失代替交叉熵损失。实验结果表明,该模型在湍流强、距离长的环境下识别性能明显优于BP-ANN、KNN以及CNN,2000 m强湍流条件下识别率比CNN提高8.6%。以训练好的网络作为解调器仿真验证系统的误码率,在经过Turbo码和映射方案的改进后仅为6.89×10^(-4),证明获得了更好的通信质量。

摘要：量测数据的采集、传输、转换各个环节都有可能发生故障或受到干扰,导致数据出现缺失。传统重建方法仅考虑单一数据分布规律,忽略了电力系统中量测点、采集变量之间的相关性及历史的负荷变化规律,重建精度低。该文提出了基于改进生成式对抗网络(wassersteingenerative adversarial networks,WGAN)的量测缺失值重建方法,并设计了适用于该问题的WGAN网络结构。通过WGAN的无监督训练,神经网络将自动学习到量测之间相关性、负荷波动规律等难以显式建模的复杂时空关系。利用真实性约束及上下文相似性约束优化隐变量,使得训练后的生成器将能够生成高精度的重建数据。文中方法完全依靠数据驱动,不涉及显式建模步骤,在大量量测出现缺失的情况下仍具有较高的重建精度。算例中分析了量测缺失数量与重建误差之间的关系,证明了文中方法性能稳定。对于算例中长期缺失的特定量测,文中方法所重建的数据能够体现量测真实的时序特性。

摘要：为进一步改善超低频频段的通信质量,在传统改进广义旁瓣抵消算法的基础上,提出新的超低频干扰抑制算法——生成式旁瓣抵消算法。该算法将人工智能研究热点之一的生成式对抗网络模型引入广义旁瓣抵消算法中,通过优化设计生成模型的网络结构及相关超参数,有效地解决了原算法存在的期望信号残留问题,为旁瓣抵消通道中的后级滤波算法提供了与主通道相关性更强的干扰参考信息,从而提高了算法对主通道干扰估计的准确性。为了验证优化后生成模型的有效性以及所提算法对不同类别干扰的抑制能力,在实验室环境下搭建实验平台,设计了多组对照实验。实验结果表明:优化后的生成模型具有较好的生成能力、较好的鲁棒性以及相对较低的运算复杂度;相比于传统改进的广义旁瓣抵消算法,所提算法进一步提高了信号带宽内的信干噪比。

摘要：作为样本生成的重要方法之一,生成式对抗网络(GAN)可以根据任意给定数据集中的数据分布生成样本,但它在实际的训练过程中存在生成样本纹理模糊、训练过程不稳定以及模式坍塌等问题.针对以上问题,在深度卷积生成式对抗网络(DCGAN)的基础上,结合残差网络,设计一种基于深度残差生成式对抗网络的样本生成方法RGAN.该样本生成方法利用残差网络和卷积网络分别构建生成模型和判别模型,并结合正负样本融合训练的学习优化策略进行优化训练.其中:深度残差网络可以恢复出丰富的图像纹理;正负样本融合训练的方式可以增加对抗网络的鲁棒性,有效缓解对抗网络训练不稳定和模式坍塌现象的发生.在102 Category Flower Dataset数据集上设计多个仿真实验,实验结果表明RGAN能有效提高生成样本的质量.

摘要：深度学习技术的进展为提高口令猜测效率提供了潜在的新途径.目前,已有研究将循环神经网络(Recursive Neural Network,RNN)、生成式对抗网络(Generative Adversarial Network,GAN)等深度学习模型运用于设计口令猜测模型.本文基于RNN模型、长短期记忆网络(Long Short-Term Memory,LSTM)模型、概率上下文无关文法(Probabilistic Context-Free Grammar,PCFG)与LSTM的混合模型(简称PL模型),提出采用RNN来代替PL模型中的LSTM的思想,将PCFG与RNN在模型层面进行融合,设计了PR模型.为降低猜测模型对大训练样本的依赖,进一步提出了PR+模型,即采用RNN网络来生成字母序列,实现对口令字母段的填充.基于4个大规模真实口令数据集的实验结果显示,PR模型的攻破率略高于PL模型,且始终显著高于传统的PCFG(107量级猜测数下)和Markov模型(106量级猜测数下),并且PR模型的训练效率远优于PL模型.鉴于不同口令模型生成口令猜测的特性不同,将不同模型生成的猜测集组合来生成新的口令猜测集,并基于4个大规模真实口令数据集对不同组合方法进行了对比.尽作者所知,我们首次证实了在相同猜测数下(107~108量级猜测数),组合不同类型模型所生成口令猜测集的破解率通常高于单一猜测集.本文研究显示,GAN模型在猜测数为3.6×108时,破解率仅为31.41%,这表明GAN模型的口令破解效率劣于传统基于概论统计的模型(如PCFG模型和Markov模型)和基于RNN的口令猜测模型,并进一步指出了GAN模型表现不佳的原因.