雖然生成對抗網(wǎng)絡(luò)（Generative Adversarial Network,簡稱GAN）已經(jīng)被廣泛應(yīng)用于很多實際領(lǐng)域,但是GAN仍然存在缺陷導(dǎo)致無法生成高質(zhì)量的模擬數(shù)據(jù)。雖然當(dāng)前GAN的變體嘗試解決這個問題,但是他們在實際運用中仍然存在不少問題�，F(xiàn)存的GAN的變體或存在梯度負(fù)數(shù)（如WGAN）或者生成的數(shù)據(jù)仍然存在相同圖片或者圖片模糊等問題（如MGAN）。本文研究的對象主要是在三個方面,即如何解決GAN小樣本生成及評估問題,如何解決GAN存在的模型崩潰和梯度消失問題。（1）本文提出了一個新的規(guī)范化懲罰函數(shù)來迫使生成器生成帶有極小異常點的負(fù)樣本,以及將Droupout函數(shù)和生成器融合以此生成高維稀疏數(shù)據(jù)。另外,針對不同領(lǐng)域數(shù)據(jù)特點,本文設(shè)計了不同的生成數(shù)據(jù)評估模型。首先,本文研究了如何把GAN應(yīng)用在小樣本數(shù)據(jù)（包括工業(yè)領(lǐng)域的布匹和氣缸缸體數(shù)據(jù)以及醫(yī)療領(lǐng)域的癌癥基因數(shù)據(jù)）。這兩個數(shù)據(jù)的共同點是可用數(shù)據(jù)搜集十分昂貴,這就導(dǎo)致很難在實際工作中訓(xùn)練一個機(jī)器人去替代人的工作。不同點是,工業(yè)領(lǐng)域中的數(shù)據(jù)屬于imbalanced dataset,即不平衡數(shù)據(jù)。其意味著次品數(shù)量非常少而正品數(shù)量非常多。... 

【文章頁數(shù)】：107 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
1.緒論
    1.1 引言
    1.2 相關(guān)方法
        1.2.1 修改損失函數(shù)
        1.2.2 修改網(wǎng)絡(luò)結(jié)構(gòu)
        1.2.3 修改隱空間Z
    1.3 待研究問題
    1.4 本文工作
2.GAN模型及其問題介紹
    2.1 生成對抗網(wǎng)絡(luò)
    2.2 GAN的模型崩潰問題
    2.3 GAN的梯度消失問題
3.小樣本數(shù)據(jù)生成
    3.1 極不平衡數(shù)據(jù)(Extremely Imbalanced Data)增強(qiáng)及評價
        3.1.1 極不平衡數(shù)據(jù)定義及描述
        3.1.2 IDA-GAN—極不平衡數(shù)據(jù)增強(qiáng)方法
        3.1.3 IDA-GAN的評估
        3.1.4 實驗驗證
        3.1.5 討論
    3.2 稀疏矩陣(Sparse Matrix)的生成和評估
        3.2.1 稀疏矩陣的定義及描述
        3.2.2 稀疏矩陣模擬數(shù)據(jù)的生成
        3.2.3 基于領(lǐng)域知識的稀疏數(shù)據(jù)模擬數(shù)據(jù)的評估
        3.2.4 實驗驗證
        3.2.5 討論
4.GAN模型梯度消失問題解決
    4.1 如何構(gòu)造Sketch
    4.2 生成器設(shè)計
    4.3 SEGAN算法和數(shù)學(xué)基礎(chǔ)
        4.3.1 SEGAN的函數(shù)及其算法流程
        4.3.2 SEGAN的數(shù)學(xué)基礎(chǔ)
    4.4 實驗驗證
        4.4.1 生成數(shù)據(jù)質(zhì)量比較
        4.4.2 實驗驗證梯度消失問題的解決
        4.4.3 r值對SEGAN模型的影響
        4.4.4 SEGAN效率分析
    4.5 SEGAN討論
5.GAN模型崩潰問題解決
    5.1 MIM-GAN
    5.2 MIM-GAN學(xué)習(xí)數(shù)據(jù)流形
    5.3 實驗驗證
        5.3.1 MNIST數(shù)據(jù)集
        5.3.2 CIFAR10
        5.3.3 Celeba數(shù)據(jù)集
    5.4 討論
6.結(jié)論與展望
參考文獻(xiàn)
攻讀博士期間的科研成果
致謝



本文編號：3724720