信息時(shí)代產(chǎn)生了海量的數(shù)據(jù),這些數(shù)據(jù)中蘊(yùn)含著許多有價(jià)值的信息,但也存在各種數(shù)據(jù)質(zhì)量問(wèn)題。由于在數(shù)據(jù)的獲取、記錄和保存的過(guò)程中,經(jīng)常會(huì)發(fā)生部分?jǐn)?shù)據(jù)缺失的現(xiàn)象,這些丟失了部分?jǐn)?shù)據(jù)的不完備數(shù)據(jù)降低了數(shù)據(jù)的利用價(jià)值,所以它既給后續(xù)數(shù)據(jù)挖掘的過(guò)程帶來(lái)了麻煩,同時(shí)也影響著數(shù)據(jù)用于進(jìn)行指導(dǎo)決策的質(zhì)量。因此如何有效處理不完備數(shù)據(jù)并且基于這些不完備數(shù)據(jù)進(jìn)行高質(zhì)量的決策研究有重要的現(xiàn)實(shí)意義。生成式對(duì)抗網(wǎng)絡(luò)是近年來(lái)深度學(xué)習(xí)的熱點(diǎn)研究方向,具有擬合高維數(shù)據(jù)分布的能力,因此本文采用該網(wǎng)絡(luò)來(lái)學(xué)習(xí)缺失數(shù)據(jù)到完整數(shù)據(jù)分布的映射。本文主要對(duì)生成式對(duì)抗網(wǎng)絡(luò)、高維度數(shù)據(jù)和高缺失率的不完備數(shù)據(jù)集的填充與預(yù)測(cè)方法進(jìn)行了較深入的分析和研究,其主要工作和創(chuàng)新點(diǎn)如下:（1）研究了各種處理不完備數(shù)據(jù)的常用算法的適用條件和局限性。首先分析了不完備數(shù)據(jù)產(chǎn)生的原因、缺失機(jī)制和缺失模式,其次研究了大樣本量下的數(shù)據(jù)缺失問(wèn)題,然后分析了幾種依托于深度學(xué)習(xí)技術(shù)的數(shù)據(jù)填充方法,最后分析發(fā)現(xiàn)大部分填充算法并未有效利用標(biāo)簽數(shù)據(jù),也不能對(duì)大數(shù)量和高缺失率下的不完備數(shù)據(jù)集進(jìn)行有效填充�；诖�,本文提出了采用生成式對(duì)抗網(wǎng)絡(luò)來(lái)解決以上問(wèn)題的思想。（2）提出了一種缺... 

【文章來(lái)源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積操作示意圖

圖 2-2 池化操作示意圖反卷積是由 Zeiler 在 2010 年提出的[53]，最初目的在于對(duì)卷用于圖像分割與圖像生成的深度網(wǎng)絡(luò)中。反卷積可以看作積操作得到的特征圖維度降低，反卷積可以增加輸出的圖圖像。和反卷積是深度學(xué)習(xí)技術(shù)中常用的運(yùn)算，主要用于特征的訓(xùn)練的目標(biāo)，損失函數(shù)這一概念并非深度學(xué)習(xí)獨(dú)有，在機(jī)在損失函數(shù)這一概念。它是衡量模型預(yù)測(cè)結(jié)果與實(shí)際結(jié)果果的數(shù)值化表達(dá)方式之一，通過(guò)最小化損失函數(shù)，能夠使的分類問(wèn)題，通常以準(zhǔn)確率來(lái)評(píng)估模型的表現(xiàn)；訓(xùn)練過(guò)程相對(duì)于準(zhǔn)確率來(lái)說(shuō)，以交叉熵為代表的損失函數(shù)能夠更好的分類和回歸問(wèn)題，可以使用交叉熵或均方誤差作為損失

像更具真實(shí)性。最初論文中使用該網(wǎng)絡(luò)生成 28*28 像素的手寫(xiě)數(shù)字CGAN(Deep Convolutional Generative Adversarial Nets)[60]采用卷積神夠穩(wěn)定生成 64*64 與 128*128 像素圖片，在之后的發(fā)展中，新的網(wǎng)高像素的圖片進(jìn)行生成，2017 年英偉達(dá)[61]提出對(duì)生成器逐層訓(xùn)練的024 的高清圖片；這充分說(shuō)明了生成式對(duì)抗網(wǎng)絡(luò)對(duì)于高維度數(shù)據(jù)強(qiáng)對(duì)抗網(wǎng)絡(luò)的核心思想在于博弈。它由生成器(記為 G)與判別器(記，生成器用于將從噪聲分布中采樣得到的數(shù)據(jù)映射到樣本數(shù)據(jù)空間所服從的分布；判別器則對(duì)生成器生成的樣本與真實(shí)的樣本數(shù)據(jù)加收樣本來(lái)自真實(shí)數(shù)據(jù)的概率，來(lái)判斷輸入的樣本是生成器產(chǎn)生的數(shù)模型交替迭代訓(xùn)練，最終生成器產(chǎn)生的樣本將越來(lái)越接近數(shù)據(jù)集情況下，生成器與判別器均采用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，生成式對(duì)抗網(wǎng)絡(luò)訓(xùn)

【參考文獻(xiàn)】：
期刊論文
[1]深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計(jì)算機(jī)視覺(jué)領(lǐng)域的應(yīng)用[J]. 張順,龔怡宏,王進(jìn)軍.  計(jì)算機(jī)學(xué)報(bào). 2019(03)
[2]大數(shù)據(jù)可用性的研究進(jìn)展[J]. 李建中,王宏志,高宏.  軟件學(xué)報(bào). 2016(07)
[3]基于深度學(xué)習(xí)的不完整大數(shù)據(jù)填充算法[J]. 卜范玉,陳志奎,張清辰.  微電子學(xué)與計(jì)算機(jī). 2014(12)
[4]半監(jiān)督學(xué)習(xí)方法[J]. 劉建偉,劉媛,羅雄麟.  計(jì)算機(jī)學(xué)報(bào). 2015(08)
[5]關(guān)于數(shù)據(jù)缺失機(jī)制的檢驗(yàn)方法探討[J]. 孫婕,金勇進(jìn),戴明鋒.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2013(12)
[6]一種基于支持向量機(jī)的缺失值填補(bǔ)算法[J]. 張嬋.  計(jì)算機(jī)應(yīng)用與軟件. 2013(05)
[7]調(diào)查研究中數(shù)據(jù)缺失的機(jī)制及處理方法[J]. 周藝彪,姜慶五,趙根明.  中國(guó)衛(wèi)生統(tǒng)計(jì). 2005(05)
[8]數(shù)據(jù)挖掘綜述[J]. 鐘曉,馬少平,張鈸,俞瑞釗.  模式識(shí)別與人工智能. 2001(01)
[9]調(diào)查中的數(shù)據(jù)缺失及處理（Ⅰ）——缺失數(shù)據(jù)及其影響[J]. 金勇進(jìn).  數(shù)理統(tǒng)計(jì)與管理. 2001(01)

碩士論文
[1]數(shù)據(jù)集缺失數(shù)據(jù)恢復(fù)算法研究[D]. 朱建斐.西安電子科技大學(xué) 2015
[2]缺失值填充的若干問(wèn)題研究[D]. 朱曉峰.廣西師范大學(xué) 2007
[3]數(shù)據(jù)預(yù)處理算法的研究與應(yīng)用[D]. 李曉菲.西南交通大學(xué) 2006



本文編號(hào)：3008979