[发明专利]一种基于特征返回的条件DCGAN模型的动态调整方法有效
| 申请号： | 201710579119.2 | 申请日： | 2017-07-17 |
| 公开（公告）号： | CN107563509B | 公开（公告）日： | 2020-11-24 |
| 发明（设计）人： | 周智恒;李立军 | 申请（专利权）人： | 华南理工大学 |
| 主分类号： | G06N3/08 | 分类号： | G06N3/08 |
| 代理公司： | 广州市华学知识产权代理有限公司 44245 | 代理人： | 罗观祥;李本祥 |
| 地址： | 510640 广*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 特征 返回 条件 dcgan 模型 动态 调整 方法 | ||
1.一种基于特征返回的条件DCGAN模型的动态调整方法，其特征在于，所述动态调整方法包括下列步骤：
S1、构造深度卷积生成式对抗网络DCGAN模型，该DCGAN模型包含记录图像生成器和记录图像判别器，采用交叉熵函数作为双方的损失函数；
S2、输入图像数据集，对所述DCGAN模型进行训练；
S3、在记录图像判别器的卷积层中，对每一层卷积之后的图像特征结果记录下来，第i层卷积之后的特征数据记录为Xi，i＝1,2，…,N,N为记录图像判别器中卷积层的层数；
S4、将所述特征数据记录Xi进行维度扩展，使其维度等于输入记录图像生成器中的噪声维度；所述步骤S4具体如下：
S41、确定输入至所述记录图像生成器的随机噪声维度M；
S42、将N个特征数据记录Xi全部扩展成M维度的数组，填充部分的数据用0表示；
S5、将维度扩展之后的特征数据记录Xi与输入记录图像生成器中的噪声结合，然后共同输入到记录图像生成器中进行训练；所述步骤S5具体如下：
S51、初始化M维度的随机噪声；
S52、将维度扩展之后的特征数据记录Xi与随机噪声进行叠加，得到新数据inputData；
S53、将新数据inputData输入至所述记录图生成器中，进行网络训练。
2.根据权利要求1所述的一种基于特征返回的条件DCGAN模型的动态调整方法，其特征在于，所述步骤S2具体如下：
随机初始化所述记录图像生成器和所述记录图像判别器的卷积神经网络中所有的参数和权重，输入图像数据集，然后利用随机梯度下降的方法对参数不断进行训练、调整与更新。
3.根据权利要求1所述的一种基于特征返回的条件DCGAN模型的动态调整方法，其特征在于，所述步骤S3具体如下；
S31、根据所述记录图像判别器中卷积层的层数N，初始化N个维度可扩展的数组datai，i＝1,2，…,N；
S32、将图像数据集中的一张图片输入至所述记录图像判别器；
S33、所述记录图像判别器对图片进行逐层卷积，将第i层卷积之后得到的特征数据，记录到数组datai，i＝1,2，…,N中，一张图片卷积完成之后，得到N个储存特征数据的数组datai，i＝1,2，…,N。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于华南理工大学，未经华南理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201710579119.2/1.html，转载请声明来源钻瓜专利网。
- 上一篇：一种大数据故障预测方法
- 下一篇：一种基于深度卷积神经网络的WGAN模型方法
