专利交易市场

一种基于生成式对抗网络的交通流预测方法，先根据路段的空间拓扑结构构建交通物理拓扑结构图网络，接着根据交通图中节点的连接关系构建初始邻域交通图网络与高阶邻域交通图网络，接着用本发明构建好的图注意力网络(GAT)对节点的领域内节点进行特征提取。预测过程为利用本发明构建的生成式对抗网络(GAN)的生成器生成预测的交通流量值，并利用本发明构建的生成式网络(GAN)的判别器对预测的交通流量值与真实的交通流量值进行对抗训练，使得两者相互博弈，相互进步。根据以上步骤，并逐步调整参数优化模型，最终得到一个最佳的交通流量模型。本发明利用此模型生成最接近真实值的交通流量值，以达到交通流量预测的目的。

本发明公开了一种基于生成式对抗网络的语音高维特征快速提取方法和装置，包括：获取语音信号，采用数据增强技术对语音信号增加模拟噪声，以构建数据池；从语音信号中提取MFCC，提取的MFCC与基频特征叠加形成级联特征；构建包含生成器、判别器以及分类器的生成式对抗网络，其中生成器对输入语音信号进行高维特征提取，判别器对输入的级联特征和提取的高维特征进行特征真伪分辨，分类器对输入的高维特征进行语音分类；利用数据池中的语音信号对生成式对抗网络进行训练以优化网络参数，提取参数确定的生成器用于语音高维特征快速提取。该方法能够实现声音序列语音高维特征的高效提取。

本发明公开了一种基于生成式对抗网络的信号‑图像翻译方法，实现该翻译方法的装置包括翻译模型ST、判别模型SD和分类模型SC，步骤为：(1)对翻译模型和分类模型进行预训练，直到迭代次数达到设定值；(2)将真实彩色图像和翻译模型得到的信号图像输入判别模型进行对抗训练，训练判别模型的参数；(3)将翻译模型得到的信号图像输入判别模型进行对抗训练，训练翻译模型的参数；(4)协同训练翻译模型和分类网络的参数；(5)重复步骤(2)～(4)，直到实现ST‑SD的纳什均衡或达到预设的训练迭代次数；(6)将待翻译的无线电信号输入翻译模型，得到翻译后的信号图像。利用本发明，可以增强翻译结果的多样性，保证信息传输的安全隐蔽性。

一种基于生成式对抗网络攻击的防御方法，包括：1)利用长短时记忆网络(LSTM)，搭建合适的生成式对抗网络结构GAN；2)对结构中的判别模型进行预训练；3)根据生成器G的损失函数，以迭代次数为限制，收敛损失函数为目的，训练生成器G；4)根据生成器D的损失函数，以迭代次数为限制，收敛损失函数为目的，训练生成器D；5)重复以上步骤(3)～步骤(4)，轮流优化生成式对抗网络中的生成器和判别器，以迭代次数为上限，得到较好的网络结构，完成最优对抗样本的生成；6)观察对抗样本的指标，并生成大量不同类型信号的对抗样本；7)通过将一些筛选后的对抗样本，加入到模型训练阶段，以达到对信号边界摸索攻击的防御效果。

本发明公开了一种基于生成式对抗网络的无线信号降噪方法，包括以下步骤：构建无线信号降噪网络GAN‑G和无线信号降噪判别网络GAN‑D，其中，GAN‑G包括LSTM、卷积层以及时间注意力模块，其输入为添加噪声的原始无线信号，输出为降噪的无线信号；GAN‑D包括LSTM和全连接层，输入为原始无线信号和降噪的无线信号，输出是判断结果；采用对抗训练策略对GAN‑G和GAN‑D进行训练，获得无线信号降噪模型和无线信号降噪判别模型；提取无线信号降噪模型对待降噪无线信号进行处理，获得降噪后的无线信号。经过该方法对无线信号数据进行降噪处理可以有效地提高无线信号调制类型识别在低信噪比区间的准确性。

机理与数据混合驱动的生成式对抗网络软测量建模方法，包括以下步骤：从辅助变量中采样得到数据q，从随机噪声中采样得到数据z，将q和z输入由机理模型和数据驱动误差补偿模型组成的待辨识的生成器中，得到生成样本将生成样本和真实样本x输入判别器，将得到的损失反向传播，得到最优的生成器参数；将该最优生成器取出作为训练好的软测量模型，使用操纵潜变量的方法分析模型的可解释性，并通过与单一驱动的软测量模型进行对比，分析此模型的预测性能，克服了静态模型无法捕捉数据间动态特性、机理驱动软测量模型存在建模误差、数据驱动软测量难以利用无标签数据以及可解释性差的局限，相比于单一驱动的软测量方法，具有预测准确和可靠的特点。

本发明公开了一种双判别器生成式对抗网络模型的构建方法及系统，本方法通过构建用于判别图像真伪的第一判别器；构建用于计算图像之间相似度的第二判别器；基于生成器、第一判别器和第二判别器，构建双判别器的生成式对抗网络模型和生成式对抗网络模型的损失函数；根据损失函数，采用随机生成的第一预设数量的噪声数据和选取的第二预设数量的真实图像，对生成式对抗网络模型进行训练，获得训练好的生成式对抗网络模型。本发明能够提高生成式对抗网络模型的训练速度，提高图像生成的质量。

本发明公开了一种基于生成式对抗网络的图像去雾方法，采用HOG特征提取方式和加入先验信息的去噪方式，提出依托环境雾霾浓度数据变化而变化的损失函数，从而选择整体最优的解决途径，在很大程度上解决了颜色的偏移等问题，同时防止图像过度去雾化，在尽可能得到清晰结果和降低复杂度之间寻找一种平衡；在一定程度上解决了先验信息制约算法适用范围的问题。