[发明专利]一种基于生成式对抗网络的空间目标样本增广方法

权利要求书

1.一种基于生成式对抗网络的空间目标样本增广方法，其特征在于，步骤如下：

1)空间目标的不变特性关联性分析，对其不变特征和差异特征进行分类，为生成式对抗网络提供可供选择的样本；

2)分析原有损失函数易导致模式坍塌的原因，使用逼真度函数替代生成式对抗网络原有的损失函数，对目标进行样本生成；

3)基于自然进化方式，将生成器的生成过程转化为变异过程，并将原有的单个生成器修改为3个待进化的异类生成器；设立适应度函数自我优化空间目标样本，并将优化后的目标样本输入到判别器。

2.根据权利要求1所述的基于生成式对抗网络的空间目标样本增广方法，其特征在于，所述步骤1)中空间目标的不变特性关联性分析具体包括：

11)样本相似性分析：对空间目标的样本进行增广，要求目标域和源域的数据分布尽可能相似，以保证分类器不变的情况下，对识别任务保持尽可能相同的性能；

12)特征相似性分析：在样本增广前，从原始样本集中提取原始或附加特征，去除受迁移转换因素影响大的特征，同时选择一组不受影响的特征作为样本增广的输入特征；

13)模型相似性分析：考虑目标域训练样本不足的情况，通过源域训练分类模型并保持数据分布不变，使分类器适应于目标域的数据分布。

3.根据权利要求1所述的基于生成式对抗网络的空间目标样本增广方法，其特征在于，所述步骤2)具体为：

21)模式坍塌分析：通过KL散度与JS散度的定义分析生成式对抗网络原有的损失函数的缺陷；

22)定义逼真度函数，将生成式对抗网络判别器原有的单一变量输出替换为关于逼真分布度的输出。

4.根据权利要求3所述的基于生成式对抗网络的空间目标样本增广方法，其特征在于，所述步骤21)具体为：

生成式对抗网络包含生成器G和判别器D两部分，生成器以随机噪声z～p(z)作为输入，输出为生成样本分布p_g(x)；判别器以样本集真实样本分布p_data(x)为输入，输出为生成样本分布p_g(x)与真实样本分布p_data(x)之间的差异性；原有的成式对抗网络满足以下：

其中，D(x)表示判别器D对真样本的输出，D(G(z))表示判别器D对假样本的输出，G(z)表示生成器G生成的样本，表示样本x属于真实样本分布p_data(x)的期望，表示由噪声数据z～p(z)生成的假样本的数学期望，表示x属于生成样本分布p_g(x)的期望；判别器D的损失函数定义为：

生成器G的损失函数为：

整个对抗网络达到纳什平衡的条件为：

当p_data(x)＝p_g(x)时，D^*(x)＝0.5表示为判别器的最优输出；

定义p_data(x)与p_g(x)的KL散度为：

其中，KL(·)表示KL散度；定义p_data(x)与p_g(x)的JS散度公式：

其中，JS(·)表示JS散度；当p_data(x)＝p_g(x)，则原有的损失函数变换为：

将KL散度与JS散度带入到后得到：

因此，生成式对抗网络使用原有的损失函数训练时，当p_data(x)＝p_g(x)，此时损失函数输出的是一个恒值-2log2，即梯度为0，最终导致判别器D对生成器G没有梯度指导，导致生成式对抗网络模式坍塌。