[发明专利]一种基于深度卷积神经网络的WGAN模型方法在审
| 申请号： | 201710690212.0 | 申请日： | 2017-08-14 |
| 公开（公告）号： | CN107563510A | 公开（公告）日： | 2018-01-09 |
| 发明（设计）人： | 周智恒;李立军 | 申请（专利权）人： | 华南理工大学 |
| 主分类号： | G06N3/08 | 分类号： | G06N3/08;G06N3/04 |
| 代理公司： | 广州市华学知识产权代理有限公司44245 | 代理人： | 李斌 |
| 地址： | 510640 广*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 深度 卷积 神经网络 wgan 模型 方法 | ||
1.一种基于深度卷积神经网络的WGAN模型方法，其特征在于，所述的方法包括下列步骤：
S1、构造沃瑟斯坦生成式对抗网络WGAN模型，该模型包含生成器和判别器；
S2、将判别器构造成深度卷积神经网络结构；
S3、将生成器构造成转置深度卷积神经网络结构；
S4、对判别器的损失函数为采取Wasserstein距离的损失函数；
S5、准备数据集，对构造完毕的网络进行训练。
2.根据权利要求1所述的一种基于深度卷积神经网络的WGAN模型方法，其特征在于，所述的步骤S2中判别器的深度卷积神经网络分为若干层，每一层有相应的卷积核，即有相应的权重参数。
3.根据权利要求1所述的一种基于深度卷积神经网络的WGAN模型方法，其特征在于，所述的步骤S3中生成器的转置深度卷积网络层数与判别器的深度卷积神经网络层数相同，并且生成器中每一层的卷积核是判别器中每一层的卷积核的转置。
4.根据权利要求1所述的一种基于深度卷积神经网络的WGAN模型方法，其特征在于，所述的采取Wasserstein距离的损失函数为：
其中，D(x)表示判别器对图像的判别，pr表示数据集图像的分布，pg表示生成图像的分布，λ为超参数，为梯度。
5.根据权利要求1所述的一种基于深度卷积神经网络的WGAN模型方法，其特征在于，所述的步骤S5具体为：
准备数据集，其中，所述的数据集是具有同一类型或相似特征图片的集合，对构造完毕的网络进行训练，将生成器输出生成图像至判别器，判别器作出判断。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于华南理工大学，未经华南理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201710690212.0/1.html，转载请声明来源钻瓜专利网。
