专利交易市场

本发明请求保护一种基于局部流形正则化的半监督生成对抗网络图像分类方法，该方法将局部流形正则化引入半监督生成对抗网络。该方法基于生成对抗网络对数据流形优秀的拟合能力，引入局部流形正则化，可以很好地解决判别器过度训练问题。通过在判别器和生成器的损失函数中加入流形正则化项，以对数据流形的突变进行惩罚，能够防止模型陷入局部崩溃，增强模型对数据流形的局部扰动保持不变性，使模型具有更好的鲁棒性。结合局部流形正则化的半监督生成对抗网络图像分类方法在半监督图像分类问题上可显著提高图像分类的准确率。

本发明公开了一种基于改进TimeGAN模型的小样本故障诊断方法，包括：采集电梯运行数据，包括正常样本和故障样本；建立改进TimeGAN模型；将故障样本输入改进TimeGAN模型生成故障数据；将电梯运行数据和生成的故障数据合并为样本集，并利用小波包分解提取样本集的时频特征；将提取的时频特征划分为训练集和测试集，并将训练集输入CNN模型中进行训练；将测试集输入训练好的CNN模型，获得故障诊断结果并对故障诊断结果进行验证。该方法通过生成具备时序特征的故障样本，降低原始数据分布不平衡性，并充分提取样本的时频特征，获得高效准确的故障诊断结果，从而实现智能化设备的安全维护。

本发明提供一种基于生成对抗网络的腹腔镜影像除烟方法，属于计算机视觉技术领域，通过利用烟雾掩膜分割网络对待处理的腹腔镜图像样本进行处理，获取烟雾掩膜图；将待处理的腹腔镜图像样本和烟雾掩膜图输入烟雾去除网络，利用多级烟雾特征提取器对待处理的腹腔镜图像样本进行特征提取，获取轻烟特征向量和浓烟特征向量；根据轻烟特征向量、浓烟特征向量和烟雾掩膜图，利用掩膜屏蔽作用过滤烟雾信息并保留腹腔镜图像，获取无烟的腹腔镜图像；本发明具备鲁棒性，可以嵌入到腹腔镜设备中使用的技术效果。

本发明公开了一种基于多判别生成对抗网络的水声目标识别方法，包括如下步骤：S1、根据水声目标辐射噪声产生的机理和特点，对数据预处理并提取出目标的特征图像；S2、设计基于多判别生成对抗网络的数据扩充模型架构，使用步骤S1中提取的目标特征进行训练，得到生成模型；S3、使用步骤S2中得到的生成模型进行样本数据的扩充，得到数据量充足且与原始目标特征分布相同的高质量目标特征数据集；S4、设计基于卷积的水声目标识别网络，并使用步骤S3中得到的扩充数据集训练该识别网络，得到高准确率的水声目标识别网络模型，本发明实现对小样本条件下的水声目标进行识别分类，提高识别的准确率。

本发明涉及深度学习与自然语言处理领域，具体涉及一种基于生成对抗网络的多风格文章摘要生成方法；包括获取原始文本数据及其对应的风格标签数据；构建并训练多风格文章摘要生成模型，将待处理文章和要求风格输入训练好的多风格摘要生成模型，输出对应的风格摘要；所述多风格文章摘要生成模型包括词嵌入模块、风格嵌入模块、融合模块、transformer生成模块和对抗判别模块；本发明能够输出用户所需风格的摘要，模型参数少、训练成本低。