[發明專利]基于生成對抗網絡的滑動定向數據小樣本擴增方法

在審

• 申請號: 202010802807.2
• 申請日: 2020-08-11
• 公開（公告）號: CN112001480A
• 公開（公告）日: 2020-11-27
• 發明（設計）人: 劉偉;白璟;譚東;張德軍;陳東;連太煒;汪洋;張宇;李中權;馮思恒;張鑫;孫銘椿;王鈺豪
• 申請（專利權）人: 中國石油天然氣集團有限公司;中國石油集團川慶鉆探工程有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 成都天嘉專利事務所(普通合伙) 51211
• 代理人: 毛光軍

1.一種基于生成對抗網絡的滑動定向數據小樣本擴增方法，其特征在于，包括如下步驟：

(1)數據剪裁：在不影響滑動定向數據特征表示的前提下，對訓練數據集中的數據進行剪裁；

(2)多數據塊疊合：在輸入的通道維度上對數據塊按順序進行疊合，使其適應生成對抗網絡的多維輸入；

(3)提取類別標簽：分別對步驟(2)中的數據塊按對應的類別標簽序列進行編碼；

(4)訓練生成對抗網絡：用劃分好的數據塊、標簽序列和隨機高維噪聲訓練生成對抗網絡；

(5)獲得多類別的生成數據；輸入目標類別的隨機噪聲，獲得該類別的生成數據，調整標簽信息，獲得不同參數類別的生成數據；

(6)獲得有效擴增數據：將步驟(5)中的生成數據重新剪裁為相應的數據塊，并按數據表尺寸進行拼接擴增，成為與原數據集同規格的數據。

2.根據權利要求1所述的基于生成對抗網絡的滑動定向數據小樣本擴增方法，其特征在于：步驟(1)中，根據其數據結構，可將其劃分為多個n m維的“數據塊”，其中m代表預輸入數據的維度，n代表每批次輸入的行數。

3.根據權利要求2所述的基于生成對抗網絡的滑動定向數據小樣本擴增方法，其特征在于：步驟(1)中，采取設置數據塊最大及最小尺寸的方式對數據裁剪行為進行規范和限定。

4.根據權利要求3所述的基于生成對抗網絡的滑動定向數據小樣本擴增方法，其特征在于：步驟(1)中，按照劃分的“數據塊”類型，為“數據塊”添加類別標簽序。

5.根據權利要求4所述的基于生成對抗網絡的滑動定向數據小樣本擴增方法，其特征在于：步驟(2)中，為適應生成對抗網絡的多維輸入，多維輸入應滿足的條件即符合生成對抗網絡中生成器卷積神經網絡的數據輸入形式。

6.根據權利要求5所述的基于生成對抗網絡的滑動定向數據小樣本擴增方法，其特征在于：步驟(4)中，通過多輪次博弈訓練使生成對抗網絡的生成器掌握滑動定向數據規律并將高維隨機噪聲生成目標數據，判別器對于生成數據和真實數據的判斷能力消失，即判別器準確率穩定在50％上下，生成器與判別器誤差穩定，即達到標準，完成測試。

7.根據權利要求6所述的基于生成對抗網絡的滑動定向數據小樣本擴增方法，其特征在于：步驟(4)中，隨機高維噪聲即從正態分布(0-1分布)中抽取的隨機樣本。

8.根據權利要求7所述的基于生成對抗網絡的滑動定向數據小樣本擴增方法，其特征在于：步驟(4)中，訓練生成對抗網絡流程如下：

a、用可微分函數D和G來分別表示判別器和生成器，D輸入為真實數據x和G(z)，G的輸入為隨機變量z。其中，G(z)則為由G生成的盡量服從真實數據分布的數據樣本；

b、如果判別器的輸入來自真實數據，標注為1，如果輸入樣本為G(z)，標注為0；

c、D的目標是實現對數據來源的二分類判別，判斷數據是真(真實數據x的分布)或者偽(生成器的偽數據G(z))；而G的目標是使自己生成的偽數據G(z)在D上的表現D(G(z))和真實數據x在D上的表現D(x)一致；

d、D和G相互對抗并迭代優化，使D和G的性能不斷提升，當最終D的判別能力提升到無法正確判別數據來源時，認為這個生成器G已經學到了真實數據的分布，該生成器G即為滑動定向參數的生成器。

9.根據權利要求8所述的基于生成對抗網絡的滑動定向數據小樣本擴增方法，其特征在于：所述生成器除輸出層之外的其他層均使用ReLU激活函數，ReLU激活函數表示形式如下：

輸出層采用Tanh激活函數代替ReLU激活函數，其表示形式如下：