[发明专利]一种基于动态曲面分割的非对抗生成自编码方法及系统

权利要求书

1.一种基于动态曲面分割的非对抗生成自编码方法，其特征在于，所述方法包括：

获取训练数据集；所述训练数据集包括Mnist数据集和CelebA数据集中的任意一种；

使用编码器将所述训练数据集降维到低维空间，得到第一低维向量集；

使用中心维罗内分割将所述低维空间的单位球划分为多个区域；

使用最小损失匹配算法确定所述第一低维向量集中每个低维向量隶属的所述区域；

逐个区域计算第一分布距离；所述第一分布距离为隶属所述区域的所有所述低维向量组成的经验分布与所述区域上的均匀分布的距离；

以最小化所述第一分布距离为目标，优化所述编码器；

利用优化后的所述编码器将所述训练数据集降维到低维空间，得到第二低维向量集；

利用所述第二低维向量集对解码器进行训练和优化，得到优化后的解码器；

获取已有数据；所述已有数据为低维向量；

将所述已有数据输入所述优化后的解码器进行解码，生成新数据；所述新数据为图片或高维数据。

2.根据权利要求1所述的基于动态曲面分割的非对抗生成自编码方法，其特征在于，所述使用编码器将所述训练数据集降维到低维空间，得到第一低维向量集，具体包括：

当所述训练数据集为Mnist数据集时，使用编码器将所述训练数据集中每个Mnist数据均降维到8维空间，得到第一低维向量集；此时，所述第一低维向量集包括多个8维向量；

当所述训练数据集为CelebA数据集时，使用编码器将所述训练数据集中每个CelebA数据均降维到64维空间，得到第一低维向量集；此时，所述第一低维向量集包括多个64维向量。

3.根据权利要求2所述的基于动态曲面分割的非对抗生成自编码方法，其特征在于，所述使用中心维罗内分割将所述低维空间的单位球划分为多个区域，具体包括：

当所述低维空间为8维空间时，使用中心维罗内分割将所述8维空间的单位球划分为200个区域；

当所述低维空间为64维空间时，使用中心维罗内分割将所述64维空间的单位球划分为200个区域。

4.根据权利要求1所述的基于动态曲面分割的非对抗生成自编码方法，其特征在于，所述逐个区域计算第一分布距离，具体包括：

根据公式计算隶属同一区域的所有低维向量z组成的经验分布Q(z)；其中，N表示隶属同一区域的所有低维向量z的总个数，z_i表示第i个低维向量，表示狄拉克函数，当z＝z_i时，当z≠z_i时，

根据公式计算第j个区域Ω_j上的均匀分布P(z)的概率密度函数d(z)；其中，1≤j≤200，表示特征函数，当z隶属于Ω_j时，当z不隶属于Ω_j时，

对d(z)进行积分得到P(z)；

根据公式D(P(z)||Q(z))计算第一分布距离；其中，D(*||*)是一种计算分布距离的函数。

5.根据权利要求1所述的基于动态曲面分割的非对抗生成自编码方法，其特征在于，所述以最小化所述第一分布距离为目标，优化所述编码器，具体包括：

使用分片沃瑟斯坦度量和正则项最小化所述第一分布距离，优化所述编码器。

6.根据权利要求1所述的基于动态曲面分割的非对抗生成自编码方法，其特征在于，所述利用所述第二低维向量集对解码器进行训练和优化，得到优化后的解码器，具体包括：

将所述第二低维向量集输入解码器中，得到生成数据集；所述生成数据集中的数据与所述训练数据集中的数据一一对应；

根据公式计算所述生成数据集与所述训练数据集之间的欧式距离；其中，x表示所述训练数据集中的数据，φ表示优化后的编码器，ψ表示解码器，c表示损失函数，E表示期望，P_x表示所述训练数据集中的所有数据组成的经验分布，式中，M表示所述训练数据集中的数据总个数，x_k表示第k个数据，表示狄拉克函数，当x＝x_k时，当x≠x_k时，

以最小化所述欧式距离为目标，优化所述解码器，得到优化后的解码器。