[发明专利]基于模拟退火遗传算法的生成对抗网络过采样方法及装置

权利要求书

1.一种基于模拟退火遗传算法的生成对抗网络的过采样方法，其特征在于，包括：

利用生成对抗人工神经网络的对抗性学习能力，确定样本数据与最优子代样本数据的对应关系；具体地，依据预设的个体适应度条件确定所述最优子代样本数据；依据所述最优子代样本数据确定所述生成对抗人工神经网络中生成网络的网络参数；依据所述网络参数确定所述对应关系；

获取目标样本数据；

通过所述对应关系，确定与所述目标样本数据对应的最优子代目标样本数据；具体地，确定与所述目标样本数据对应的最优子代目标样本数据，包括：将所述对应关系中与所述目标样本数据相同的目标样本数据所对应的子代目标样本数据，确定为所述最优子代目标样本数据。

2.根据权利要求1所述的方法，其特征在于，依据所述最优子代样本数据确定所述生成对抗人工神经网络中生成网络的网络参数的步骤，包括：

当所述最优子代样本数据对应的个体适应度高于所述生成网络预设的个体适应度时，以概率1将生成所述最优子代样本数据时对应的网络参数更新所述生成网络的原有网络参数；

或

当所述最优子代样本数据对应的个体适应度低于所述生成网络预设的个体适应度时，依据当前模拟退火温度，以及所述最优子代样本数据对应的个体适应度与所述生成网络预设的个体适应度的差异值确定更新概率；

以所述更新概率将生成所述最优子代样本数据时对应的网络参数更新所述生成网络的原有网络参数。

3.根据权利要求1所述的方法，其特征在于，依据当前模拟退火温度，以及所述最优子代样本数据对应的个体适应度与所述生成网络预设的个体适应度的差异值确定更新概率的步骤，包括：

依据以下公式确定所述更新概率，

T_n＝α*T_n-1

式中：F_cbest代表所述最优子代样本数据对应的个体适应度；F_G代表所述生成网络预设的个体适应度；△代表所述差异值；P代表所述更新概率；T_n代表所述当前模拟退火温度；n代表迭代次数；α代表退火系数。

4.根据权利要求1所述的方法，其特征在于，依据预设的个体适应度条件确定最优子代样本数据的步骤，包括：

利用生成对抗人工神经网络的对抗性学习能力，依据样本数据产生多个不同的子代样本数据；

确定各个所述子代样本数据的多样性适应度，以及质量分数；

依据所述多样性适应度，以及所述质量分数确认所述子代样本数据的个体适应度；

确定所述个体适应度最高的所述子代样本数据为所述最佳子代样本数据。

5.根据权利要求4所述的方法，其特征在于，确定各个所述子代样本数据的多样性适应度，以及质量分数的步骤，包括：

依据以下公式确定各个所述子样本数据的质量分数，

式中：F_q代表质量分数；z代表输入生成网络的噪声；G(z)代表生成网络输出的图像；D(G(z))代表以生成网络输出的图像作为输入时，判别网络的输出结果；

依据以下公式确定各个所述子样本数据的多样性适应度，

式中：F_d代表多样性适应度；代表判别网络的梯度范围数值。

6.根据权利要求4所述的方法，其特征在于，依据所述多样性适应度，以及所述质量分数确认所述子代样本数据的个体适应度的步骤，包括：

依据以下公式确定各个所述子样本数据的个体适应度；

式中：F代表个体适应度；γ代表质量分数和多样性适应度的平衡系数。