[发明专利]一种基于生成对抗网络的地理栅格智能化局部脱敏方法

说明书

本发明提出了一种基于生成对抗网络的地理栅格智能化局部脱敏方法，包括：获取地理栅格数据集，并对数据集进行识别和裁剪预处理，得到预处理后的数据集；构建脱敏边缘生成网络；设计脱敏边缘生成网络的脱敏损失函数，并进行训练，最终输出已经脱敏完成的地理栅格脱敏边缘图；构建图像补全网络；设计图像补全网络损失函数，根据输入数据进行训练，最终输出脱敏彩色地理栅格。本发明的有益效果是：可按需求产生不同的脱敏结果，以达到智能化、高共享、结果多样的脱敏目标；实际解决了地理栅格共享共建需求，重点解决传统地理栅格数据脱敏保护方案自动化程度较低、脱敏后数据缺乏可用性以及脱敏结果失真的问题。

技术领域

本发明涉及地质数据脱敏和深度学习领域，具体涉及一种基于生成对抗网络的地理栅格智能化局部脱敏方法。

背景技术

生成对抗网络(Generative Adversarial Nets,GANs)是一种无监督学习的训练方法，包括两部分：一个生成器网络D和一个辨别器网络G。生成器网络用于生成逼真的样本，鉴别器用于从中分辨出生成样本和原样本。GANs的学习过程是同时训练识别器D和生成器G。G的目标是学习数据x上的分布P_a。G从均匀分布或高斯分布的P_z(z)中对输入变量z采样，然后通过另一个网络将输入变量z映射到数据空间。另一方面D是分类器，目的是识别影像是来自训练数据还是来自G。GANs的极大极小目标损失函数可以表述如下：

通过迭代交替训练，判别模型完成辨别输入样本来自于真实数据还是生成模型的任务。同时，生成模型经过训练生成使判别模型无法分辨的数据。在训练期间，两种模型迭代训练竞争，最终生成与两部分模型学习到的数据分布最接近的数据。

脱敏领域使用的变换方法主要分全局变换方法和局部变换方法。全局变换方法中，置乱加密主要通过破坏数据的邻域相关性和空间有序性来实现数据脱敏；在局部变换方法中有分块变换和BP神经网络方法。地图局部变换处理是在保证其拓扑结构不变基础上进行不可逆的非线性变换，有分块变换、神经网络和图像补全。分块变换模型能够对不同的区域使用不同的变换参数进行变换，即每一个脱敏的特征点都作为脱敏的参数进行变换，保密性高于线性和非线性全局变换模型。但分块变形模型难以保持要素的拓扑关系，不符合变换光滑连续的原则。神经网络已在多个领域取得了显著的成效，一些学者提出利用BP神经网络进行影像的变换和配准，以达到影像光滑的变形效果，具有较高的转换精度，但在地理栅格脱敏方面，相关研究较少。

图像补全应用在地理信息方面已有一定的研究成果。传统的图像补全技术主要分为基于结构的图像补全技术和基于纹理的图像补全技术。基于结构的图像补全算法使用几何方法对影像中的空缺进行修复，较好的体现影像信息中的结构性原则；在基于纹理的图像补全方面，随着神经网络和计算机视觉的发展，产生了基于生成对抗网络的图像补全技术。Kamyar Nazeri等人提出一个包含边缘生成网络和图像补全网络的二阶对抗模型EdgeConnect，针对一般影像得到具有精细细节的补全结果。图像补全技术从传统的基于理论方法发展到基于生成对抗网络，补全效果显著增强。但现在图像补全技术大多都是针对一般影像的研究和应用，对于地理栅格的补全研究还很少，目前尚无文献将该方法应用在局部脱敏领域的案例。

反馈方法在人工智能中应用广泛，在神经网络、尤其是循环神经网络以及强化学习中都存在着反馈的应用。在神经网络方面，反馈应用的场景很多，如利用选择性正负反馈来产生WTA竞争，提出一个通过利用p范数与神经元的相互作用的模型。V J等设计了包含正负反馈的神经网络模型，用于预测在细胞控制系统中遗传网络的稳定性和冗余性。J Fei等提出了包含两种不同的反馈回路的双回路递归神经网络(DLRNN)结构的控制系统。强化学习是一种在与环境的交互中获得反馈的模型训练方法，强化学习的学习过程需要环境反馈的奖励信号，因此强化学习与反馈密不可分，但反馈方法在智能化脱敏方面却尚无文献应用。

现有的局部脱敏的方法几点不足：

(1)神经网络已在多个领域取得了显著的成效，但在地理栅格脱敏方面，相关研究较少。