[發明專利]一種基于對抗生成網絡的流速監測實現方法

在審

• 申請號: 201710120373.6
• 申請日: 2017-03-02
• 公開（公告）號: CN106951919A
• 公開（公告）日: 2017-07-14
• 發明（設計）人: 王萬良;李卓蓉;楊勝蘭;邱虹;張兆娟
• 申請（專利權）人: 浙江工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G01P5/00
• 代理公司: 杭州天正專利事務所有限公司33201
• 代理人: 王兵,黃美娟

1.一種基于對抗生成網絡的流速監測實現方法，包括以下步驟：

步驟1，水流圖像預處理：將RGB水流圖像轉換為灰度圖并依次經過直方圖均衡化和隨機裁剪，然后對處理后的圖像灰度值按列展開并進行串聯，所得列向量構成了待分類的水流圖像數據集的特征矩陣X＝[x₁,x₂,…,x_n]，其中樣本x_i是維度為d的列向量；

步驟2，基于對抗生成網絡進行圖像分類：訓練一雙對抗的模型：判別器D的目的是正確區分真實數據和生成數據并對真實數據進行分類從而最大化判別準確率，而生成器G的目的則是生成以假亂真的數據并最小化判別器D的判別準確率，兩者的訓練是一個二元零和博弈過程；H表示熵，E表示期望值，p表示概率，data和g分別表示真實數據集和生成數據集，生成器G將先驗分布為P(z)的隨機噪音矢量z通過x＝G(z)映射為生成樣本；

2.1依式(1)計算真實數據集data中類別y的邊緣概率的熵：

$H_{data}\[p\left(y\right|D)\]=H\[\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}p\left(y\right|x^i,D)\]---\left(1\right)$

其中，D表示判別器，p(y|·)表示y的邊緣概率，N表示真實數據集data的樣本個數；

2.2依式(2)計算圖像x來自真實數據集data的條件熵的經驗估計：

$\begin{array}{c}{E}_{x~data}\[H\[p\left(y\right|x,D)\]\]=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}H\[p\left(y\right|x^i,D)\]\\ =\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}-\underset{k=1}{\overset{K}{\Σ}}p(y=k|x^i,D)\log p(y=k|x^i,D)\end{array}---\left(2\right)$

其中，K表示圖像類別(也即流速區間)個數，p(y＝k|·)表示圖像屬于類別k的邊緣概率；

2.3依式(3)的蒙特卡羅采樣對圖像x來自生成數據集g的條件熵的經驗估計進行逼近：

$E_{z-P\left(z\right)}\[H\[p\left(y\right|D\left(z\right),D)\]\]\≈\frac{1}{M}\underset{i=1}{\overset{M}{\Σ}}H\[p\left(y\right|G\left(z^i\right),D\]---\left(3\right)$

其中，M表示獨立采樣的數量，噪音矢量zⁱ～P(z)；

2.4依式(4)計算生成數據集g中類別y的邊緣概率的熵：

$H_g\[p\left(y\right|D)\]\≈H\[\frac{1}{M}\underset{i=1}{\overset{M}{\Σ}}p\left(y\right|G\left(z^i\right),D)\]---\left(4\right)$

2.5無監督學習建模，基于對抗生成網絡的無監督圖像分類的目標函數如式(5)所示：

$\left\{\begin{array}{c}{L}_D=\underset{D}{\max }{H}_{data}\[p\left(y\right|D)\]-E_{x-data}\[H\[p\left(y\right|x,D)\]\]+E_{z~P\left(z\right)}\[H\[p\left(y\right|G\left(z\right),D)\]\]\\ L_G=\underset{G}{\min }-H_g\[p\left(y\right|D)\]+E_{z~P\left(z\right)}\[H\[P\left(y\right|G\left(z\right),D)\]\]\end{array}\right.---\left(5\right)$

其中，L_D是判別器D的損失函數，L_G是生成器G的損失函數；

2.6半監督學習建模：當訓練集data中部分水流圖像的類別信息已知時，上述無監督分類問題可進一步轉化為半監督分類問題，此時，式(5)中生成器G的損失函數保持不變，即，L^label_G＝L_G，而判別器D的損失函數調整為：

$\begin{array}{c}{L}_D^{label}=\underset{D}{\max }{H}_{data}\[p\left(y\right|D)\]-E_{x-data}\[H\[p\left(y\right|x,D)\]\]+E_{z~P\left(z\right)}\[H\[p\left(y\right|G\left(z\right),D)\]\]\\ +{\mathrm{\λE}}_{(x,y)~{\mathrm{data}}^{label}}\[CE\[y,p\left(y\right|x,D)\]\]\end{array}---\left(6\right)$

其中，λ是平衡參數，標簽數據集data^label＝{(x¹,y¹),…,(x^L,y^L)}，L表示標簽數據個數，CE[y,p(y|x,D)]表示data^label中圖像x的真實類別y與預測類別的條件分布p(y|x,D)的交叉熵，具體計算如式(7)所示：

$CE\[y,p\left(y\right|x,D)\]=-\underset{i=1}{\overset{K}{\Σ}}{y}_i\log p(y=y_i|x,D)---\left(7\right)$

2.7模型優化求解：由于生成器G和判別器D都是可微的，因此可根據目標函數(5)或(6)利用隨機梯度下降法對L_D和L_G進行交替訓練；

步驟3，流速測定：將步驟2的分類結果與預定義的流速區間進行一一對應；

步驟4，狀態分析：當監測到水流速度超出預設閾值時發出狀態異常信號。