[发明专利]一种基于生成式对抗网络的函数拟合方法及装置

说明书

本发明公开了一种基于生成式对抗网络的函数拟合方法及装置，基于生成式对抗网络的函数拟合方法，根据拟合误差要求建立相应的生成器模型G、判别器模型D，真实数据训练判别器模型D，判别器模型D优化生成器模型G，最终使得生成器模型G在给定一组随机噪声情况下，输出一组符合真实数据总体分布的数据，输出的数据用于拟合真实数据，该方法扩展性好，计算量小。

技术领域

本发明涉及函数拟合技术领域，更具体地说，涉及一种基于生成式对抗网络的函数拟合方法及装置。

背景技术

函数拟合在数值计算中有着十分广泛的应用。如何近似地表示函数，是函数拟合涉及的基本问题。经典的函数拟合原理，理论分析严密，体系十分成熟。但许多拟合算法都有一些共同的缺点：计算量较大，适应性差，对模型和数据的要求比较高，依赖性强。

发明内容

本发明提供了一种基于生成式对抗网络的函数拟合方法及装置，解决现有技术计算量较大，适应性差，对模型和数据的要求比较高，依赖性强的问题。

为解决上述问题，一方面，本发明提供一种基于生成式对抗网络的函数拟合方法，包括步骤S1-S7：

S1、创建一随机函数以生成服从分布P_Noisedata的随机数据Nx；

S2、建立采样规则以得到服从真实数据整体分布P_Realdata的真实采样数据Rx；

S3、将所述真实采样数据Rx输入判别器D，训练判别器D以得到参数集合D_θ；

S4、将所述随机数据Nx输入生成器G，输出服从Pg分布的生成器采样数据Gx，并将生成器采样数据Gx输入至判别器D；

S5、判断判别器D输出的值P(D(x))与预设的概率值的差值是否大于预设的阈值；若是，执行步骤S6，若否，转至步骤S7；

S6、由判别器D得到的生成器梯度反馈到生成器G，转至步骤S3；

S7、通过生成器G生成的样本Gx拟合服从真实数据整体分布P_Realdata的真实数据。

步骤S2中，采样规则是随机采样，采样的数据个数为m。

步骤S3包括步骤S31-S32：

S31、通过判别器D衡量生成器G生成的数据分布Pg与真实数据分布P_Realdata之间的距离，用以表示生成器G产生样本的真实程度并输出一个概率值；

S32、在生成器训练过程中通过判别器D提供梯度信息：

d=D(ˆx,D_θ),d∈[0,1]

其中D_θ表示判别器D的参数集。

步骤S4包括步骤S41-S42：

S41、定义生成器G为一个采样于随机变量N的随机值n为输入，具有参数集G_θ的可微函数：

g=G|_n~N(n,Gθ)

其中，G_θ是生成器的参数集合；

S42、接收所输入的随机噪声，通过生成器G输出一组符合真实数据整体分布P_Realdata的数据，其中，真实数据的采样R(x,y)服从真实数据整体分布P_Realdata，输入生成器G的随机噪声服从的分布P_Noisedata，随机噪声采样N(x,y)服从分布P_Noisedata。

其中：

分布P_Noisedata为均匀分布或者高斯分布。

一方面，本发明提供一种基于生成式对抗网络的函数拟合装置，包括：

创建模块，用于创建一随机函数以生成服从分布P_Noisedata的随机数据Nx；