鑒別器
- 基于生成對抗網(wǎng)絡(luò)與多頭注意力的文本隱寫術(shù)*
former的鑒別器;然后給出了生成器和鑒別器的詳細(xì)設(shè)計;最后介紹訓(xùn)練過程中獎懲模塊和多頭注意力的作用。3.1 總體結(jié)構(gòu)本文提出的基于生成對抗網(wǎng)絡(luò)的TS-GANMA結(jié)構(gòu)主要包括1個生成器和1個鑒別器,如圖1所示。由于長短期記憶網(wǎng)絡(luò)(LSTM)對于時序信號具有較強的建模能力,本文選擇雙層LSTM作為生成器來增強整個網(wǎng)絡(luò)的建模能力。LSTM可以獲取每個時間步長的單詞概率,并將當(dāng)前時間步長的輸出作為下一時間步長的輸入。訓(xùn)練過程中,生成器生成大量生成文本,然后利用
計算機工程與科學(xué) 2023年10期2023-10-24
- 基于域自適應(yīng)網(wǎng)絡(luò)的跨場景摔倒檢測算法研究
統(tǒng)中,引入了域鑒別器和域混淆自適應(yīng)層進(jìn)行對抗性訓(xùn)練。該算法通過引入依賴于應(yīng)用差異的相對值的相對鑒別器來優(yōu)化對抗訓(xùn)練,從而更好地反映域間差異;其次,將多核架構(gòu)下改進(jìn)的MMD作為域?qū)箵p失的正則化項,在模型的梯度更新中添加約束,進(jìn)一步減小域間的混合分布(邊緣分布和條件分布)距離,從而促進(jìn)整體遷移學(xué)習(xí)的效果。1 系統(tǒng)設(shè)計該文旨在解決跨場景摔倒檢測問題。在源域中可以獲得大量有噪CSI信號及其標(biāo)簽(即含有盡可能少的噪聲干擾的CSI信號),在目標(biāo)域中只有有噪CSI信號
計算機技術(shù)與發(fā)展 2023年10期2023-10-21
- 基于多對抗性鑒別網(wǎng)絡(luò)的人臉活體檢測
,設(shè)計多對抗性鑒別器網(wǎng)絡(luò),將原有的一個生成器和一個鑒別器的網(wǎng)絡(luò)架構(gòu)設(shè)計為一個生成器、一個主鑒別器和一個輔助性鑒別器的網(wǎng)絡(luò)架構(gòu),重新設(shè)計了2個鑒別器。(2)在設(shè)計的鑒別器中使用人臉的關(guān)鍵點產(chǎn)生五官(眼睛、鼻子、嘴巴)和皮膚上的遮罩,2個鑒別器各自獨立處理五官和皮膚的細(xì)節(jié)問題,使生成器在學(xué)習(xí)的過程中除了注意全局特征外,更注重五官和皮膚上的細(xì)節(jié),強化偽造人臉圖像五官和皮膚上的特征,對本文的人臉活體檢測起到了關(guān)鍵作用。2 本文工作本文提出一個基于多對抗性鑒別網(wǎng)絡(luò)的
計算機工程與科學(xué) 2023年9期2023-09-18
- 基于全相位濾波器組頻帶鑒別的生成對抗網(wǎng)絡(luò)聲碼器設(shè)計
%的參數(shù). 在鑒別器中做了兩點改進(jìn):一是將 HiFi-GAN 中多尺度鑒別器與多周期鑒別器替換為基于全相位濾波器組的鑒別器,克服了原有模型無法依據(jù)語音能量非均勻頻帶分布,靈活進(jìn)行特征特征提取的缺點;二是提出基于頻帶加權(quán)的多窗長的短時傅里葉變換譜損失函數(shù),配合鑒別器更好地穩(wěn)定訓(xùn)練. 實驗結(jié)果表明:APFB-GAN 聲碼器合成的語音質(zhì)量可與 HiFi-GAN 相媲美,且其高頻細(xì)節(jié)特征更為突出,模型參數(shù)只為HiFi-GAN的28.78%,在GPU 上的合成速度是
- 基于深度學(xué)習(xí)的實時點云修補算法
主要由生成器和鑒別器構(gòu)成,生成器將一個噪聲包裝成一個逼真的樣本,鑒別器判斷送入的樣本是否為真實樣本,在這個不斷迭代的過程中,鑒別器對樣本的判別能力不斷上升,生成器的生成能力也不斷上升,最終兩者的能力達(dá)到平衡。生成器的期望是將所生成的數(shù)據(jù)送入鑒別器后,鑒別器能將其判別為真實數(shù)據(jù),鑒別器的期望是能將所有的生成數(shù)據(jù)和原始數(shù)據(jù)區(qū)分開,二者在博弈的過程中共同提升性能。GAN的訓(xùn)練模式一般會先固定生成器,迭代多次訓(xùn)練鑒別器,然后固定鑒別器訓(xùn)練生成器,兩者依次交替,使用
軟件工程 2023年6期2023-06-10
- 基于多鑒別器生成對抗網(wǎng)絡(luò)的時間序列生成模型
開。本文采取多鑒別器對時間序列的多種特征進(jìn)行鑒別,提出了多鑒別器生成對抗網(wǎng)絡(luò)(MDGAN,multi-discriminator generative adversarial network)模型。本文主要研究工作如下。1) 本文提出了一種新型的MDGAN 模型,包含時域鑒別器、頻域鑒別器、時頻域鑒別器和自相關(guān)鑒別器,能夠?qū)ι蓴?shù)據(jù)進(jìn)行多角度評估,進(jìn)而提高生成器的合成數(shù)據(jù)質(zhì)量,使合成數(shù)據(jù)更加符合真實時間序列的分布和特征。2) 在對所提模型進(jìn)行訓(xùn)練時,本文引
通信學(xué)報 2022年10期2023-01-09
- 基于生成對抗網(wǎng)的中國山水畫雙向解碼特征融合外推算法
絡(luò)采用生成器和鑒別器的組合,生成器用于生成虛擬的外推圖像,訓(xùn)練過程中鑒別器用于鑒別生成的外推圖像和原圖像是否一致以幫助生成器生成符合原有圖像分布的外推圖像.該方法能夠粗略地外推簡單自然場景圖像,這表明將對抗學(xué)習(xí)方法應(yīng)用于圖像外推是可行的;2019年,Guo等人[8]提出了一種基于結(jié)構(gòu)感知和視覺注意力機制[9]的圖像外推策略,該外推方法包括粗推和精推2個過程,分別進(jìn)行結(jié)構(gòu)感知性粗略外推和視覺注意性精細(xì)外推,該網(wǎng)絡(luò)可以預(yù)測輸入圖像外推部分的全局結(jié)構(gòu),但難以生成
計算機研究與發(fā)展 2022年12期2022-12-15
- 基于改進(jìn)循環(huán)生成對抗神經(jīng)網(wǎng)絡(luò)的語音增強
,它的生成器和鑒別器一般均由DNN構(gòu)成。GAN在語音增強領(lǐng)域最大的優(yōu)勢是能夠?qū)W習(xí)任何分布下的數(shù)據(jù),并能生產(chǎn)相似分布的數(shù)據(jù)[9],通過對純凈語音樣本的學(xué)習(xí),使含噪語音轉(zhuǎn)換為類似于純凈語音的增強語音,以達(dá)到語音增強的目的。但GAN需要大量成對的數(shù)據(jù)集進(jìn)行訓(xùn)練,訓(xùn)練的難度增大,不利于實際的應(yīng)用。Zhu等[10]提出的循環(huán)一致性生成對抗網(wǎng)絡(luò)(cycle-consistent generative adversarial network, CycleGAN)模型,適
東華大學(xué)學(xué)報(自然科學(xué)版) 2022年5期2022-11-11
- 基于生成對抗網(wǎng)絡(luò)的自爆絕緣子檢測模型設(shè)計
習(xí)網(wǎng)絡(luò),其包含鑒別器和生成器兩部分,其整體結(jié)構(gòu)如圖1。鑒別器為二元分類器,訓(xùn)練目標(biāo)是判斷輸入數(shù)據(jù)是訓(xùn)練數(shù)據(jù)還是生成數(shù)據(jù)。生成器通常為反卷積網(wǎng)絡(luò),模擬訓(xùn)練數(shù)據(jù)的分布,訓(xùn)練目標(biāo)是生成數(shù)據(jù)能夠“欺騙”鑒別器,即使鑒別器無法分清生成圖片和輸入圖片[12]。所以在訓(xùn)練過程中,生成對抗網(wǎng)絡(luò)的兩部分訓(xùn)練目標(biāo)相反,即為對抗訓(xùn)練,其訓(xùn)練目標(biāo)可以被表示為:圖1 生成對抗網(wǎng)絡(luò)模型示意圖Fig. 1 Schematic diagram of generative adversar
現(xiàn)代電力 2022年5期2022-10-17
- 基于對抗自編碼模型的高速泵異常檢測
部分:生成器和鑒別器,本質(zhì)上為兩個多層感知機網(wǎng)絡(luò)。生成器可以生成偽造的圖像,通過訓(xùn)練鑒別器將生成器生成的虛假圖像與數(shù)據(jù)集區(qū)分開。最初因為權(quán)重是隨機的,生成器會產(chǎn)生一些隨機噪聲,通過訓(xùn)練可使鑒別器能分辨出這種隨機噪聲和真實圖像,鑒別器能力提高后,通過權(quán)值反向傳遞促使生成器生成虛假圖像的能力提高,使它生成更好的偽圖像,生成器產(chǎn)生圖像效果的提高又繼續(xù)反作用于判別器,繼續(xù)執(zhí)行此過程,直到生成器能夠很好地生成偽圖像為止,從而使鑒別器不再能夠分辨?zhèn)螆D像中的真實圖像。最
機床與液壓 2022年7期2022-09-17
- 基于雙鑒別器生成對抗網(wǎng)絡(luò)的單目深度估計方法
像,在訓(xùn)練時,鑒別器網(wǎng)絡(luò)學(xué)習(xí)區(qū)分由生成器生成的假圖像和用立體裝置獲取的目標(biāo)幀,成功用GAN范式解決了單目深度估計問題. Almalioglu等[11]提出了一個生成性無監(jiān)督學(xué)習(xí)框架,該框架利用深度卷積GAN從未標(biāo)記的RGB圖像序列中預(yù)測六自由度相機位姿和場景的單目深度圖,在位姿估計和深度恢復(fù)方面都有更好的效果. 此外,基于GAN的單目深度估計方法還探索了條件隨機場[21]及GAN的變體Vanilla GAN、WGAN[25]、Conditional GAN
北京工業(yè)大學(xué)學(xué)報 2022年9期2022-09-15
- 基于雙專用注意力機制引導(dǎo)的循環(huán)生成對抗網(wǎng)絡(luò)
小,但是,由于鑒別器沒有注意力機制引導(dǎo),從而引入背景元素的干擾,影響了生成圖像的質(zhì)量。U-GAT-IT[17]提出了基于類激活CAM[18]注意力機制引導(dǎo)的生成器和鑒別器,雖然提升了成像質(zhì)量,但整體網(wǎng)絡(luò)的判別器需要從2 個增加至4 個,不僅大幅增加了模型的復(fù)雜度,并且其提出的基于CAM 注意力機制引導(dǎo)的生成器不夠優(yōu)越,仍然會對整體圖像進(jìn)行修改,圖像轉(zhuǎn)換效率不高,圖像生成質(zhì)量仍然有提升的空間。2 基本原理為解決上述存在的問題,本文提出了一種新的用于無匹配圖像
液晶與顯示 2022年6期2022-09-01
- 多階段生成器與時頻鑒別器的GAN語音增強算法①
息. 同時使用鑒別器區(qū)分干凈語音信號與增強語音信號,將鑒別結(jié)果反饋給生成器,指導(dǎo)生成器學(xué)習(xí)類似于真實干凈語音的信號分布. 盡管已有實驗證明GAN 在語音增強任務(wù)上的應(yīng)用是成功的,但增強語音失真與缺乏對各種語音特征的考慮[12]等問題依然存在. 在圖像處理任務(wù)中,許多人通過修改損失函數(shù)[17]或改進(jìn)生成器和鑒別器結(jié)構(gòu)[18,19],以改善GAN 的效果. 但在語音增強任務(wù)中該問題還未得到廣泛研究,SEGAN 仍存在語音失真與低信噪比條件下表現(xiàn)不佳的問題.為了
計算機系統(tǒng)應(yīng)用 2022年7期2022-08-04
- 基于FVOIRGAN-Detection 的車輛檢測
想[18],用鑒別器鑒別圖像相對真實概率取代絕對真實概率,使得可見光中有利于目標(biāo)檢測的紋理信息可以更好、更真實地保留[19]。2 FVOIRGAN-Detection2.1 CrossGAN-DetectionCrossGAN-Detection 運用生成對抗網(wǎng)絡(luò)[20]處理多源信息融合檢測的問題,該方法由GAN和目標(biāo)檢測網(wǎng)絡(luò)組成。目標(biāo)檢測網(wǎng)絡(luò)在訓(xùn)練過程中充當(dāng)GAN 的第二個鑒別器。該方法利用內(nèi)容損失函數(shù)和雙鑒別器為發(fā)生器提供直接可控的引導(dǎo),通過交叉融合自
光學(xué)精密工程 2022年12期2022-07-04
- 基于DDR-CycleGAN的紅外圖像數(shù)據(jù)增強
據(jù)增強網(wǎng)絡(luò):雙鑒別器相對循環(huán)一致性對抗網(wǎng)絡(luò),這種增強只需要少量不成對的數(shù)據(jù)就可以訓(xùn)練出從可見光圖像到紅外圖像更高質(zhì)量的映射,實現(xiàn)紅外圖像數(shù)據(jù)增強。本文方法主要有兩個創(chuàng)新點:第一,對于雙鑒別器循環(huán)一致性生成對抗網(wǎng)絡(luò)的生成器在不斷優(yōu)化過程中會脫離鑒別器水平而產(chǎn)生過度優(yōu)化的問題,加入了相對概率的思想,用鑒別器鑒別圖像相對真實概率取代絕對真實概率,解決生成器在不斷優(yōu)化過程中會脫離鑒別器水平而產(chǎn)生過度優(yōu)化的問題。第二,對于DDR-CycleGAN提出了Four-st
激光與紅外 2022年4期2022-06-09
- 強噪聲下的矢量跟蹤信號故障檢測算法
中大多直接采用鑒別器輸出的碼相位或載波相位等信息來構(gòu)造故障檢測統(tǒng)計量。然而現(xiàn)有的常規(guī)鑒別器只能在跟蹤誤差接近于零的小范圍內(nèi)保持線性偏差輸出能力[8]。當(dāng)受到異常信號干擾影響時,跟蹤通道持續(xù)存在較大的跟蹤偏差,此時鑒別器會產(chǎn)生不同程度的輸出失真[9]。這無疑會對接收機的跟蹤性能產(chǎn)生不利影響。由于鑒別器的失真,信號故障造成的較大幅值碼相位偏差輸出為較小的偏差值,使得故障檢測算法難以檢出其異常。除此之外,量測噪聲的增大會使得偏差小的故障混入噪聲之中難以檢測,而偏
西北工業(yè)大學(xué)學(xué)報 2022年2期2022-05-11
- 基于自注意力機制和譜歸一化的GAN表情合成
實感;另外,在鑒別器中添加譜歸一化來約束權(quán)重的Lipschitz常數(shù),以穩(wěn)定鑒別器的訓(xùn)練。本文模型與pix2pix和StarGAN的實驗結(jié)果相比更具真實感,紋理細(xì)節(jié)更加豐富,圖像質(zhì)量得到了進(jìn)一步提升。1 相關(guān)工作GAN是一種基于博弈論的深度學(xué)習(xí)框架。該框架基于隨機噪聲的輸入,讓生成模型和鑒別模型交替進(jìn)行對抗學(xué)習(xí):生成模型盡可能欺騙鑒別模型,生成接近于真實數(shù)據(jù)分布的圖像;鑒別模型相當(dāng)于分類器,對生成的假樣本和真樣本進(jìn)行區(qū)分和判斷,當(dāng)訓(xùn)練達(dá)到最優(yōu)時,鑒別模型將
智能計算機與應(yīng)用 2022年4期2022-04-28
- 用于全色銳化的相對平均生成對抗網(wǎng)絡(luò)
是通過生成器與鑒別器之間的對抗博弈使生成器生成足以以假亂真的假樣本,網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。圖1 生成對抗網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Architecture of GAN為解決GAN生成圖像質(zhì)量不高以及訓(xùn)練過程不穩(wěn)定的問題,一些GAN的變體被相繼提出[20-23]。相對平均鑒別器的使用有助于生成器恢復(fù)更真實的圖像紋理細(xì)節(jié),相對平均鑒別器的函數(shù)表達(dá)式為DRa(xr,xf)=σ(S(xr)-Exf[S(xf)])→1(1)DRa(xf,xr)=σ(S(xf)-Exr[S
西安交通大學(xué)學(xué)報 2022年3期2022-03-15
- 基于生成對抗網(wǎng)絡(luò)的塔里木深層超深層疊前地震子波提取
先利用GAN的鑒別器判斷滾動軸承參數(shù)序列的準(zhǔn)確性,然后生成器擬合無故障情況下的軸承參數(shù)序列,驗證了生成對抗網(wǎng)絡(luò)處理一維序列的有效性.這些GAN算法的應(yīng)用為本文實現(xiàn)疊前地震子波的提取提供了可能.本文通過采用生成對抗網(wǎng)絡(luò)來實現(xiàn)疊前地震子波的提取.針對塔里木地區(qū)的深層低信噪比疊前地震資料,通過去噪等方式實現(xiàn)數(shù)據(jù)預(yù)處理,利用傳統(tǒng)地震子波提取方法提取部分地震資料中的疊前地震子波,再與合成疊前地震記錄共同組成訓(xùn)練集;采用生成對抗網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集,最后利用地震子波與地震記
地球物理學(xué)報 2022年2期2022-02-23
- 基于對抗學(xué)習(xí)的蒙漢神經(jīng)機器翻譯①
分開的語句,而鑒別器努力將機器生成的句子與人類翻譯的句子區(qū)分開.背后的動機是:雖然無法全面的手動定義標(biāo)準(zhǔn)句子的數(shù)據(jù)分布,但能夠利用判別網(wǎng)絡(luò)自動學(xué)習(xí)標(biāo)準(zhǔn)句子,因此,建立了條件序列生成對抗網(wǎng)絡(luò)來聯(lián)合訓(xùn)練兩個子對抗模型.同樣驗證了使用對抗學(xué)習(xí)進(jìn)行機器翻譯模型訓(xùn)練的方法可以有效的提高譯文的自然性、充分性和準(zhǔn)確性.因此,將對抗學(xué)習(xí)策略應(yīng)用在平行語料資源較為匱乏的蒙漢機器翻譯中以提升其翻譯質(zhì)量具有非常重要的研究價值.本文從如何提高蒙漢機器翻譯模型質(zhì)量的角度出發(fā),將生成
計算機系統(tǒng)應(yīng)用 2022年1期2022-02-15
- 基于Pix2Pix 的人臉?biāo)孛鑸D像生成方法研究
hGAN 作為鑒別器,如此一來則可以生成質(zhì)量較高的圖像,并且因為其結(jié)構(gòu)簡單,易于訓(xùn)練等特點,目前在圖像生成領(lǐng)域比較流行。由于人臉圖像細(xì)節(jié)較為豐富,而采用Pix2Pix模型很難捕捉到這些細(xì)節(jié)中所包含的信息,導(dǎo)致生成的人臉畫像在五官、臉部輪廓等細(xì)節(jié)豐富部位會出現(xiàn)模糊、信息缺失等問題。文中針對該問題,提出一種改進(jìn)Pix2Pix 模型。在Pix2Pix 基礎(chǔ)上,研究的主要創(chuàng)新點包括:(1)在原Pix2Pix 模型的生成器和鑒別器中引入自注意力模塊(Self-Att
智能計算機與應(yīng)用 2022年12期2022-02-07
- 基于循環(huán)條件生成對抗網(wǎng)絡(luò)的數(shù)據(jù)生成方法*
絡(luò)中的生成器和鑒別器,以最大平均差異和最大似然估計作為指標(biāo),構(gòu)建數(shù)據(jù)生成評估模型,提出一種可生成實值數(shù)據(jù)序列的循環(huán)條件生成對抗網(wǎng)絡(luò)(RCGAN)。該方法完全依靠數(shù)據(jù)驅(qū)動,無需經(jīng)過精心設(shè)計的建模過程,生成數(shù)據(jù)與真實數(shù)據(jù)一致,魯棒性強,受噪聲的干擾較小,具有很好的泛化性。1 生成對抗網(wǎng)絡(luò)框架生成對抗網(wǎng)絡(luò)(GAN)是最先進(jìn)的AI 框架[12],作為一種數(shù)據(jù)生成框架已顯示出卓越的應(yīng)用優(yōu)勢,其核心思想是在生成器和鑒別器之間建立博弈關(guān)系。生成對抗網(wǎng)絡(luò)的一般結(jié)構(gòu)如圖1
火力與指揮控制 2021年11期2022-01-26
- 基于生成對抗網(wǎng)絡(luò)的異質(zhì)信息網(wǎng)絡(luò)表征學(xué)習(xí)
在的分布。2)鑒別器模型采用負(fù)采樣或隨機游走等方法獲取異質(zhì)信息網(wǎng)絡(luò)中的負(fù)樣本,選擇信息網(wǎng)絡(luò)中真實存在的節(jié)點對及對應(yīng)關(guān)系作為正樣本,再將負(fù)樣本和正樣本作為模型的輸入訓(xùn)練模型。生成對抗網(wǎng)絡(luò)[5]則將生成器模型和鑒別器模型有效地結(jié)合起來,被譽為機器學(xué)習(xí)有史以來最好的無監(jiān)督學(xué)習(xí)技術(shù)。生成對抗網(wǎng)絡(luò)實際上就是一個最大最小值博弈問題,博弈優(yōu)化終止于一個最低點。這個最低點視實際情況的不同有可能為全局最小值點、局部最小值點或是鞍點。該最低點的散度對于生成器G來說是最小的,對
應(yīng)用科學(xué)學(xué)報 2021年4期2022-01-19
- 基于仲裁機制的生成對抗網(wǎng)絡(luò)改進(jìn)算法
過程中生成器與鑒別器都是按照固定的順序進(jìn)行訓(xùn)練,模型訓(xùn)練不靈活,導(dǎo)致模型從數(shù)據(jù)集中學(xué)習(xí)的特征沒有得到更有效的運用;同時,其所使用的損失函數(shù)在優(yōu)化過程中缺乏靈活性,致使模型的收斂狀態(tài)不明確。因此針對這兩個問題,本文提出了基于仲裁機制的生成對抗網(wǎng)絡(luò)改進(jìn)算法,該算法主要基于DCGAN,引入所提出的仲裁機制:度量分?jǐn)?shù)計算,訓(xùn)練規(guī)劃。引入仲裁機制的DCGAN 在每一輪對抗訓(xùn)練結(jié)束時會將經(jīng)過訓(xùn)練的生成器輸出的合成圖像與真實樣本導(dǎo)入仲裁器,通過仲裁器計算度量分?jǐn)?shù),并根據(jù)
計算機應(yīng)用 2021年11期2021-12-07
- 基于GAN網(wǎng)絡(luò)的紅外圖像生成技術(shù)*
成對抗網(wǎng)絡(luò),對鑒別器采用配對輸入的方式,學(xué)習(xí)點對點紅外映射進(jìn)行風(fēng)格遷移訓(xùn)練,將彩色圖片轉(zhuǎn)換為紅外圖片擴充了紅外數(shù)據(jù)。使用L1損失函數(shù)增加了生成圖片的清晰度,并在網(wǎng)絡(luò)模型中加入了跳躍連接方式,增加了底層信息的輸入,增強了網(wǎng)絡(luò)的生成能力。此外,本文還制作了一個街道數(shù)據(jù)集。應(yīng)用配對的紅外圖和彩色圖進(jìn)行訓(xùn)練,可以有效地學(xué)習(xí)兩個不同域之間的轉(zhuǎn)換關(guān)系,由此生成的紅外圖片更加逼真可靠。1 基于GAN網(wǎng)絡(luò)的圖像生成算法1.1 GAN的基本原理GAN是一種生成模型,可以通過
飛控與探測 2021年4期2021-11-24
- 基于通道分組注意力的無監(jiān)督圖像風(fēng)格轉(zhuǎn)換模型
意力殘差塊。在鑒別器部分,利用多分辨率尺度的全局鑒別器對輸出圖像進(jìn)行不同分辨率尺度上的鑒別,利用局部鑒別器[9]對輸出圖像局部進(jìn)行鑒別。1 無監(jiān)督圖像風(fēng)格轉(zhuǎn)換模型1.1 模型結(jié)構(gòu)本文所提的無監(jiān)督圖像風(fēng)格轉(zhuǎn)換模型的主要創(chuàng)新點如下:1)采用通道分組注意力殘差塊構(gòu)建生成器。CDA殘差塊主要包含通道分組和通道注意力機制(ef ficient channel attention,ECA)[10-11]兩個模塊。通道分組模塊能夠?qū)崿F(xiàn)殘差塊內(nèi)的跳躍連接,減少特征丟失;E
包裝學(xué)報 2021年5期2021-11-13
- 基于零序基波時序鑒別原理的高壓選擇性漏電保護(hù)在煤礦供電系統(tǒng)中的應(yīng)用
零序基波“時序鑒別器”的工作原理——“時序鑒別法”。U0J是由零序交流電壓u0變換來的180度規(guī)則方波,作為時序鑒別的基準(zhǔn)信號。I0是由零序交流電流i0變換來的脈寬和相位不確定的方波,I0的脈寬一般為180度,但若零序電流幅值過小,則I0的脈寬將遠(yuǎn)小于180度甚至為零。I0相對于U0J的相位隨電網(wǎng)是無補償、欠補償還是過補償而從左向右變動。如圖1所示,當(dāng)單相接地故障發(fā)生后,若某條線路的零序電流對應(yīng)的I0方波與U0J方波的時序關(guān)系同時滿足以下兩個條件的,則該線
科技研究·理論版 2021年4期2021-09-10
- 基于CycleGAN的人臉?biāo)孛鑸D像生成
rator)和鑒別器D(discriminator)共同構(gòu)成的深度學(xué)習(xí)模型,生成器G負(fù)責(zé)學(xué)習(xí)訓(xùn)練圖像集的概率分布規(guī)律并生成具有相似概率分布規(guī)律的圖像;鑒別器D負(fù)責(zé)判別輸入圖像是生成的圖像還是訓(xùn)練圖像。通過讓生成器G和鑒別器D進(jìn)行對抗訓(xùn)練,使生成器G生成的圖像具有與訓(xùn)練圖像相似的風(fēng)格,鑒別器D判別生成的圖像和訓(xùn)練圖像的能力也得到不斷提高,最終使得生成器G和鑒別器D達(dá)到一種穩(wěn)定平衡狀態(tài),又稱納什均衡。GAN的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。圖1 GAN網(wǎng)絡(luò)結(jié)構(gòu)隨機噪聲z是
計算機技術(shù)與發(fā)展 2021年8期2021-08-27
- 多分類深度卷積生成對抗網(wǎng)絡(luò)的皮帶撕裂檢測
弈的思想,通過鑒別器與生成器之間競爭來提取圖像數(shù)據(jù)特征,前者試圖鑒別生成器生成的圖像數(shù)據(jù)來最小化誤差,而后者試圖最大化該誤差,最終二者達(dá)到納什平衡,根據(jù)特征差異來進(jìn)行前背景分割。由于該模型能從訓(xùn)練樣本中自動學(xué)習(xí)得到其數(shù)據(jù)分布,繼而生成新的樣本數(shù)據(jù),故只需少量的標(biāo)注數(shù)據(jù)。然而訓(xùn)練時該網(wǎng)絡(luò)采用梯度下降法,生成器可能沿某個特征一直訓(xùn)練,導(dǎo)致無法收斂,出現(xiàn)模式崩潰。因此,2016年,Radford等人[15]提出了深度卷積生成對抗網(wǎng)絡(luò)(Deep Convoluti
計算機工程與應(yīng)用 2021年16期2021-08-19
- 基于DCGANs的二維頁巖圖像重構(gòu)方法
可區(qū)分的函數(shù):鑒別器D和生成器G。生成器G將隨機變量從隨機噪聲z映射到圖像空間得到生成圖像G(z)。z通常由正態(tài)分布pz的獨立實數(shù)隨機組成,代表生成器的隨機輸入。鑒別器D的作用是計算隨機樣本來自“真實”數(shù)據(jù)的概率分布pdata。鑒別器嘗試正確標(biāo)記每個樣本,而生成器嘗試“欺騙”鑒別器,標(biāo)記生成圖像G(z)作為真實數(shù)據(jù)分布的一部分,即實現(xiàn)D(G(z))接近1。GANs結(jié)構(gòu)如圖1所示[7-8]。圖1 GANs結(jié)構(gòu)根據(jù)鑒別器輸出結(jié)果,得到GANs的損失。通常情況下
上海電力大學(xué)學(xué)報 2021年4期2021-07-16
- 基于帶梯度懲罰深度卷積生成對抗網(wǎng)絡(luò)的頁巖三維數(shù)字巖心重構(gòu)方法
GAN 中包含鑒別器和生成器,其特點在于通過內(nèi)部鑒別器與生成器的對抗,隱式總結(jié)出數(shù)據(jù)集的數(shù)據(jù)特征,最終通過生成器將總結(jié)出的數(shù)據(jù)特征以目標(biāo)數(shù)據(jù)形式反饋給用戶。鑒別器期望準(zhǔn)確地區(qū)分生成圖像和訓(xùn)練圖像,而生成器的目標(biāo)在于生成可以欺騙鑒別器的高質(zhì)量圖像。完成指定的訓(xùn)練次數(shù)后,GAN 可以提取出訓(xùn)練圖像的整體特征,并利用生成器生成以假亂真的圖像以達(dá)到圖像重構(gòu)的目的。GAN 的缺點在于訓(xùn)練的穩(wěn)定性差,很容易發(fā)生梯度消失和梯度爆炸。深度卷積生成對抗神經(jīng)網(wǎng)絡(luò)(Deep C
計算機應(yīng)用 2021年6期2021-07-02
- 融合邊緣檢測和自注意力的圖像修復(fù)方法①
11]提出了雙鑒別器的生成對抗模型,該模型通過增設(shè)局部鑒別器跟蹤受損區(qū)域保證了圖像的一致性;Liu 等[12]提出的連貫性語義注意力方法,通過搜索已知區(qū)域中最相似的特征patch 填滿缺失區(qū)域,增加patch 判別器進(jìn)行一致性優(yōu)化,保證了全局一致性;為了得到符合語義的圖像,Yu 等[13]提出了基于上下文注意力的兩階段模型,加入上下文注意力模塊,實現(xiàn)提取局部區(qū)域的有效特征,但是它不能處理任意形狀的受損區(qū)域.還有一些利用其它技術(shù)的研究,如Nazeri 等[1
計算機系統(tǒng)應(yīng)用 2021年5期2021-05-21
- 基于支持向量域描述的雷達(dá)地面目標(biāo)鑒別技術(shù)
從提升地面目標(biāo)鑒別器總體性能與目標(biāo)識別系統(tǒng)工程可實現(xiàn)兩個方面進(jìn)行考慮,提出一種基于非均勻特征向量分布的目標(biāo)鑒別器。本方法在訓(xùn)練階段,對訓(xùn)練樣本特征空間中的特征向量利用協(xié)方差矩陣描述特征向量之間的分布特性,以此為準(zhǔn)則選擇構(gòu)成特征空間超球邊界的特征向量,從而實現(xiàn)對訓(xùn)練樣本特征空間的描述。利用實測數(shù)據(jù)與仿真數(shù)據(jù)結(jié)合的方式,對本文所提出的方法進(jìn)行測試,本文所提出方法可有效應(yīng)用于雷達(dá)地面目標(biāo)識別的工程化實現(xiàn)中。1 支持向量域描述(SVDD)SVDD是一種典型的OCC
火控雷達(dá)技術(shù) 2021年1期2021-04-20
- 光流估計補償結(jié)合生成對抗網(wǎng)絡(luò)提高視頻超分辨率感知質(zhì)量
AN基于多特征鑒別器在像素、邊緣和紋理3個方面的對抗訓(xùn)練促使生成器生成的SR幀與HR幀分別在像素、邊緣和紋理3個方面的數(shù)據(jù)分布趨于一致,提高SR幀的感知質(zhì)量。1 相關(guān)工作1.1 單幅圖像超分辨率單幅圖像超分辨率是從單幅LR圖像中恢復(fù)出具有高頻信息的SR圖像。Dong等人將CNN應(yīng)用于SISR,設(shè)計了一個包含3個卷積層的輕量級網(wǎng)絡(luò)SRCNN[13],其性能和速度均優(yōu)于傳統(tǒng)方法。Kim等人使用全局殘差策略設(shè)計了一個20層的殘差網(wǎng)絡(luò)VDSR[14],該網(wǎng)絡(luò)通過學(xué)
西北大學(xué)學(xué)報(自然科學(xué)版) 2021年2期2021-04-16
- 基于FIDO技術(shù)的物聯(lián)網(wǎng)身份認(rèn)證解決方案
F協(xié)議引入了“鑒別器(authenticator)”概念,該組件由匹配器(matcher)和密鑰管理器組成,運行于用戶終端設(shè)備中,執(zhí)行FIDO核心關(guān)鍵功能.匹配器使用生物特征識別技術(shù)(例如指紋識別、人臉識別、虹膜識別等)或者其他身份識別技術(shù)(例如PIN碼、九宮格圖形碼等)對用戶進(jìn)行身份識別;密鑰管理器則為用戶創(chuàng)建并管理公私鑰對,并進(jìn)行各種密碼學(xué)運算(例如簽名、雜湊、加解密等).密鑰管理器作為鑒別器的密碼學(xué)內(nèi)核(cryptographic kernel),只
信息安全研究 2021年4期2021-04-06
- 基于情感復(fù)寫的中文文本情感遷移方法
訓(xùn)練來生成器和鑒別器,并通過Transformer模型的注意力機制來自動捕獲句子中的情感特征。2 模型在本文中,我們基于CycleGAN網(wǎng)絡(luò)結(jié)構(gòu)來訓(xùn)練生成器G,通過兩個鑒別器D1和D2來判斷兩種不同情感的文本,模型訓(xùn)練過程如圖1所示。圖1 模型訓(xùn)練過程2.1 CycleGANCycleGAN[6]中構(gòu)建了兩個對稱的GAN,能夠?qū)崿F(xiàn)兩個遷移方向的任務(wù),解決了在缺少平行數(shù)據(jù)集的情況下,模型無法學(xué)習(xí)到從X(Y)屬性數(shù)據(jù)到目標(biāo)Y(X)屬性數(shù)據(jù)的問題。CycleGA
現(xiàn)代計算機 2021年35期2021-02-27
- 基于生成式對抗網(wǎng)絡(luò)的開放式信息抽取
列生成器,一個鑒別器。 其中,序列生成器負(fù)責(zé)生成開放式信息抽取的結(jié)果,鑒別器用于鑒定生成器的結(jié)果是否來自訓(xùn)練數(shù)據(jù)。 文中也對一個大型的Open IE 基準(zhǔn)數(shù)據(jù)集進(jìn)行了研究,實驗結(jié)果表明,該算法的性能優(yōu)于幾種常用的基準(zhǔn)。 同時,也證實了本文提出的模型要比單一的編碼器-解碼器模型好得多。 此外,性能上的明顯改進(jìn)也證實了GAN 模型在解決開放信息抽取任務(wù)中的曝光偏差問題上的有效性。1 模型架構(gòu)生成式對抗網(wǎng)絡(luò)已經(jīng)成功應(yīng)用于計算機視覺等領(lǐng)域以及一些其他重要的領(lǐng)域[2
智能計算機與應(yīng)用 2021年10期2021-02-25
- 融合感知損失的深度學(xué)習(xí)在常規(guī)MR圖像轉(zhuǎn)換的研究
是生成器,D是鑒別器。G旨在學(xué)習(xí)從隨機向量噪聲z到目標(biāo)域中圖像y的映射,而D學(xué)習(xí)區(qū)分生成的圖像G(z)和真實圖像y。不同于GAN 網(wǎng)絡(luò),CycleGAN 同時學(xué)習(xí)兩個映射。定義兩個圖像域X和Y,如圖1a 所示,CycleGAN 學(xué)習(xí)從給定圖像x(x∈X)到輸出圖像y(y∈Y)的映射G:x→y以及從給定圖像y到輸出圖像x的映射F:y→x。在CycleGAN 中還包含了兩個鑒別器DX和DY,生成器G和F盡可能生成真實的圖像以欺騙鑒別器,而作為一個二分類模型的鑒
中國醫(yī)學(xué)物理學(xué)雜志 2021年2期2021-02-07
- 基于EKF的北斗B1C信號數(shù)據(jù)/導(dǎo)頻聯(lián)合跟蹤方法
C/N0估計在鑒別器層面對載波環(huán)進(jìn)行合并,實現(xiàn)了載波環(huán)聯(lián)合跟蹤;文獻(xiàn)[11]和文獻(xiàn)[12]分別使用GPS L2C、Galileo E1信號對載波環(huán)路聯(lián)合跟蹤技術(shù)進(jìn)行了測試,驗證了載波環(huán)聯(lián)合跟蹤可以達(dá)到提升靈敏度的目的.另外,由于卡爾曼濾波(KF)有良好的線性系統(tǒng)處理能力,相比傳統(tǒng)鎖相環(huán)具有很大的精度優(yōu)勢[13-14],因此可以使用KF跟蹤方法以及改進(jìn)的KF跟蹤方法對低載噪比信號進(jìn)行處理,平滑噪聲影響,以提供更精確的相位誤差和多普勒頻移估計值,例如文獻(xiàn)[15
全球定位系統(tǒng) 2020年6期2021-01-21
- 引入自編碼機制對抗網(wǎng)絡(luò)的文本生成模型*
LSTM網(wǎng)絡(luò),鑒別器使用CNN網(wǎng)絡(luò)。最后解決生成文本的創(chuàng)新性不足問題,引入強化學(xué)習(xí)和交叉熵作為鑒別器中句子級和單詞級的獎勵,提高文本生成的質(zhì)量。2 相關(guān)工作2011年Sutskever等人[13]在會話方面解決了RNN訓(xùn)練困難的問題,使用RNN成功生成文本;2012年He等人[14]在統(tǒng)計模型基礎(chǔ)上,為每一行古詩進(jìn)行特定訓(xùn)練,生成中國古詩;在此基礎(chǔ)上,2014年Zhang等人[15]使用RNN學(xué)習(xí)到單個字符的多種不同組合,解決了多個字符間關(guān)聯(lián)的問題,使產(chǎn)生
計算機工程與科學(xué) 2020年9期2020-10-10
- 基于LeakyMish 流行正則化半監(jiān)督生成對抗網(wǎng)絡(luò)的圖像分類模型
分別是生成器和鑒別器,故是生成器和鑒別器相互競爭。生成器通過學(xué)習(xí)真實樣本生成類似真實樣本的生成樣本,盡可能地欺騙鑒別器,而鑒別器區(qū)分真實樣本和生成樣本,盡可能地不被生成樣本欺騙,兩者相互競爭,最終達(dá)到納什均衡,它表述為:其中,x 為真實圖像庫中的圖像,Pdata為其分布,z為隨機噪聲,Pz為其分布,一般為高斯白噪聲,D(x)是真實圖像輸入鑒別器后的輸出概率值,G(z)是隱變量通過生成器得到的生成圖像,D(G(z))是生成圖像通過鑒別器后的輸出概率值。生成對
現(xiàn)代計算機 2020年18期2020-08-07
- 非平行文本下基于變分自編碼器和輔助分類器生成對抗網(wǎng)絡(luò)的語音轉(zhuǎn)換
于ACGAN的鑒別器不僅能鑒別生成的頻譜包絡(luò)特征的真假,還能鑒別生成的頻譜包絡(luò)特征的類別,因此,生成的樣本更加接近特定樣本,從而進(jìn)一步提升轉(zhuǎn)換語音的質(zhì)量.充分的主觀和客觀實驗表明: 本文提出的將ACGAN應(yīng)用于語音轉(zhuǎn)換領(lǐng)域,在有效改善合成語音質(zhì)量的同時進(jìn)一步提升了說話人個性的相似度,實現(xiàn)了高質(zhì)量的語音轉(zhuǎn)換.1 基于VAWGAN的語音轉(zhuǎn)換基準(zhǔn)方法針對C-VAE解碼器輸出趨于過平滑的問題,基于VAWGAN的語音轉(zhuǎn)換框架利用WGAN提升了C-VAE的性能,VAW
復(fù)旦學(xué)報(自然科學(xué)版) 2020年3期2020-06-28
- 基于Msmall-Patch訓(xùn)練的夜晚單幅圖像去霧算法——MP-CGAN
,其由生成器與鑒別器構(gòu)成,將噪聲輸入生成器學(xué)習(xí)真實數(shù)據(jù)分布,鑒別器判斷數(shù)據(jù)真假性,其缺點是生成不受控制。為解決GAN生成自由的問題,文獻(xiàn)[17]提出條件生成對抗網(wǎng)絡(luò)(Conditional Generated Adversarial Network,CGAN),將條件與噪聲同時輸入生成器,目標(biāo)函數(shù)如式(1)所示:其中:x指輸入圖片,y指清晰圖片,z指隨機噪聲。但CGAN會引入噪聲,對此,文獻(xiàn)[18]提出感知損失,即用已經(jīng)訓(xùn)練好的深層神經(jīng)網(wǎng)絡(luò)提取圖片高級特征
計算機應(yīng)用 2020年3期2020-06-06
- 基于EBGAN的圖像風(fēng)格化技術(shù)
征當(dāng)作條件輸入鑒別器,控制輸出樣本的精確度,但是Chen等人[7]認(rèn)為,該模型具有訓(xùn)練不穩(wěn)定、難優(yōu)化等問題,很難生成高分辨率圖像。為了解決以上問題,chen等人使用了基于感知損失的直接回歸目標(biāo),并產(chǎn)生了可以合成2048×1024圖像的第一個模型,但是此網(wǎng)絡(luò)模型在多樣性上沒有突破。對此,Zhu等人[8]提出了多尺度鑒別器的方法,在鑒別階段,采用相同結(jié)構(gòu)、尺度不同的3個鑒別器,用以鑒別不同分辨率的圖像,在多樣性方面,通過用戶給出特征編碼,作為加入生成器的條件,
計算機與現(xiàn)代化 2020年4期2020-04-23
- 基于GAN的醫(yī)學(xué)圖像仿真數(shù)據(jù)集生成算法
配對二同時送入鑒別器中,由鑒別器判斷兩個配對的相似程度.生成器和鑒別器在模型訓(xùn)練的過程中反復(fù)對抗,最終實現(xiàn)對“白化”區(qū)域中像素仿照肝臟腫瘤的灰度、紋理、形狀進(jìn)行填充,從而得到合成的有病變的肝臟CT圖像數(shù)據(jù).圖1中,G表示生成器,D表示鑒別器,y表示原始圖像,x表示對原始圖像進(jìn)行“白化”操作后得到的結(jié)果,G(x)表示生成器得到的結(jié)果.3)將配對后的圖片送入生成對抗網(wǎng)絡(luò)中訓(xùn)練.生成對抗網(wǎng)絡(luò)中的生成器輸入病變白化的圖片,然后使生成的圖片中白化區(qū)域被智能填充而其他
東北大學(xué)學(xué)報(自然科學(xué)版) 2020年3期2020-04-08
- 基于改進(jìn)的GAN的局部遮擋人臉表情識別
了將GAN 的鑒別器由原來的二分類改為一個多分類器[8-9],該模型可以實現(xiàn)半監(jiān)督分類,但是由于前期修復(fù)模型是基于簡單的GAN,所以修復(fù)效果不是很好,容易造成識別階段識別率不高,甚至誤判。針對上述方法的局限性,本文提出一種基于雙鑒別網(wǎng)絡(luò)的深度生成對抗網(wǎng)絡(luò)模型,對遮擋人臉進(jìn)行表情識別。模型前期通過生成器和兩個鑒別器進(jìn)行對抗學(xué)習(xí),對遮擋圖像進(jìn)行修復(fù),由于加入了局部鑒別器和全局鑒別器兩個鑒別器,所以該模型在修復(fù)圖像時能夠在細(xì)節(jié)和全局上更好地恢復(fù)遮擋圖像,使得修復(fù)
計算機工程與應(yīng)用 2020年5期2020-03-11
- 衛(wèi)星導(dǎo)航信號無模糊抗多徑碼相關(guān)參考波形設(shè)計技術(shù)*
線性組合構(gòu)造碼鑒別器。CCRW技術(shù)采用專門設(shè)計的閘波信號代替本地碼,通過改變鑒相函數(shù)獲得更優(yōu)的多徑抑制性能。窄相關(guān)與Double-Delta技術(shù)也可歸于CCRW技術(shù)范疇。衛(wèi)星導(dǎo)航接收機廣泛采用DLL結(jié)構(gòu)接收信號,通過本地生成的信號和接收到的衛(wèi)星信號進(jìn)行相關(guān)運算,實現(xiàn)偽碼同步跟蹤,因此相關(guān)運算生成的鑒別曲線形狀決定了跟蹤算法的性能[8]。文獻(xiàn)[9]提出了一種對鑒別曲線人為賦形并求解本地多相關(guān)器組合的方法,并給出了BOC(1,1)信號的仿真結(jié)果,但未考慮帶限情
國防科技大學(xué)學(xué)報 2019年4期2019-07-29
- 基于GAN的天文圖像生成研究
生成器,一個是鑒別器。它的優(yōu)點是能夠讓生成器和鑒別器在對抗中自動獲得最優(yōu)的結(jié)果。這種方法的核心是利用CNN的多層卷積對目標(biāo)圖像進(jìn)行特征提取,然后根據(jù)目標(biāo)圖像的像素概率密度分布特點進(jìn)行重構(gòu),再將重構(gòu)圖像與目標(biāo)圖像進(jìn)行對比后不斷調(diào)優(yōu)[10-11]。GAN將圖像生成技術(shù)帶到了全新的高度,在GAN被提出之后,許多領(lǐng)域的圖像生成模型都采用了GAN的基本結(jié)構(gòu)并對其進(jìn)行了各種各樣的改進(jìn)[12-20]。生成高分辨率的星系與恒星圖像對預(yù)測未知恒星與星系,幫助人們了解宇宙有著
西北工業(yè)大學(xué)學(xué)報 2019年2期2019-05-15
- GNSS導(dǎo)航信號的開環(huán)補償多徑抑制方法
旨在設(shè)計特殊的鑒別器,使之對多徑信號不敏感,由于其計算復(fù)雜度較低,得到了廣泛的應(yīng)用。如窄相關(guān)技術(shù)把延遲鎖定環(huán)路的早遲間隔由傳統(tǒng)的1個偽碼碼片縮短到小于1個偽碼碼片,同時提高了接收信號的帶寬,可以顯著地降低多徑的影響[10]。ELS技術(shù)根據(jù)存在多徑信號時接收機中頻信號與本地信號的相關(guān)函數(shù)兩側(cè)斜率不相等的現(xiàn)象,通過兩組早遲相關(guān)器獲得相關(guān)函數(shù)兩側(cè)的斜率,并計算出其交點,將交點所對應(yīng)的橫坐標(biāo)作為多徑誤差的估計,返回給偽距計算以糾正該誤差。文獻(xiàn)[11]結(jié)合ELS技術(shù)
全球定位系統(tǒng) 2018年4期2018-10-09
- 對抗網(wǎng)絡(luò)生成的藝術(shù)作品為何比人類藝術(shù)家更受歡迎?
設(shè)計為接收來自鑒別器的兩個信號,作為兩個相互矛盾的力量,以實現(xiàn)三點:1)生成新作品;2)新作品不應(yīng)該太新,它不應(yīng)該遠(yuǎn)離分布,否則會產(chǎn)生太多的喚醒,從而根據(jù)W undt曲線激活厭惡系統(tǒng)并落入負(fù)面特征范圍;3)生成的作品應(yīng)該增加風(fēng)格的模糊性。類似于生成對抗網(wǎng)絡(luò)(GAN),CAN具有兩個對手網(wǎng)絡(luò),一個鑒別器和一個發(fā)生器。鑒別器可以使用與風(fēng)格標(biāo)簽(文藝復(fù)興、巴洛克風(fēng)格、印象派、表現(xiàn)主義等)相關(guān)的大量藝術(shù)品,并使用它來學(xué)習(xí)區(qū)分風(fēng)格。生成器無法訪問任何藝術(shù)品,它從隨機
機器人產(chǎn)業(yè) 2017年4期2017-08-09
- 陣列天線DOA跟蹤環(huán)路鑒別器性能分析
DOA跟蹤環(huán)路鑒別器性能分析關(guān)剛強,李柏渝,聶俊偉,王飛雪(國防科學(xué)技術(shù)大學(xué)電子科學(xué)與工程學(xué)院,湖南長沙 410073)網(wǎng)址:www.sys-ele.com利用陣列天線波束指向空間相關(guān)性的特點,可以構(gòu)建一個類似于傳統(tǒng)鎖相環(huán)結(jié)構(gòu)的閉合環(huán)路以實現(xiàn)對導(dǎo)航信號來波方向(direction of arrival,DOA)的跟蹤。DOA跟蹤環(huán)路中鑒別器的實現(xiàn)方法主要有實部相減相干法、幅值相減歸一化法、功率相減歸一化法,首先基于波束形成技術(shù)建立了陣列天線導(dǎo)航接收機DOA
系統(tǒng)工程與電子技術(shù) 2016年5期2016-11-02
- 基于訓(xùn)練特征空間分布的雷達(dá)地面目標(biāo)鑒別器設(shè)計
的雷達(dá)地面目標(biāo)鑒別器設(shè)計李 龍 劉 崢*(西安電子科技大學(xué)雷達(dá)信號處理國家重點實驗室 西安 710071)該文對雷達(dá)地面目標(biāo)高分辨1維距離像目標(biāo)識別中的庫外目標(biāo)鑒別問題,提出一種基于訓(xùn)練特征空間分布的雷達(dá)地面目標(biāo)鑒別器。在訓(xùn)練階段利用基于相關(guān)系數(shù)預(yù)處理的K-Means聚類方法對庫內(nèi)目標(biāo)樣本特征空間進(jìn)行區(qū)域劃分,并采用基于空間分布的支撐向量域描述方法確定樣本特征空間的邊界與支撐向量,利用樣本特征空間邊界與加權(quán)K近鄰原則對目標(biāo)類別進(jìn)行判決。該方法解決了庫內(nèi)目標(biāo)
電子與信息學(xué)報 2016年4期2016-08-26
- 短延遲多徑干擾下的跟蹤環(huán)路鑒別器設(shè)計
擾下的跟蹤環(huán)路鑒別器設(shè)計同 釗1,李兵兵1,惠永濤1,鐘興旺2,劉 浩1(1.西安電子科技大學(xué)綜合業(yè)務(wù)網(wǎng)理論及關(guān)鍵技術(shù)國家重點實驗室,陜西西安 710071; 2.中國空間技術(shù)研究院西安分院,陜西西安 710100)針對短延遲多徑干擾影響下傳統(tǒng)多徑消除方法性能下降的問題,提出了一種跟蹤環(huán)路鑒別器的構(gòu)造方法.首先分析了短延遲多徑下同相/正交超前、滯后與即時支路的輸出特性,在此基礎(chǔ)上構(gòu)建出一種改進(jìn)的超前支路;將環(huán)路鑒別器的輸出定義為歸一化超前減滯后功率型函數(shù),
西安電子科技大學(xué)學(xué)報 2015年5期2015-07-24
- 基于自適應(yīng)門限的脈沖寬度鑒別器的設(shè)計與實現(xiàn)
比較門限的脈寬鑒別器設(shè)計方法。通過高速模/數(shù)轉(zhuǎn)換器 (ADC)對輸入的模擬信號進(jìn)行連續(xù)采樣,通過獲取單次脈沖的最大采樣幅值來確定本次采樣脈沖的脈寬比較門限——最大采樣值的一半,同時存儲采樣得到的所有數(shù)據(jù)。當(dāng)本次信號采樣結(jié)束后,將采樣得到的所有數(shù)據(jù)與本次獲取的脈寬比較門限比較,通過獲取大于比較門限的連續(xù)采樣點數(shù)確定本次脈沖的寬度。1 設(shè)計原理假設(shè)ADC采樣速率為mMsps。雷達(dá)發(fā)出的詢問信號的脈寬寬度τ:T1≤τ,其中T1為詢問信號的最小脈寬寬度。待檢測信號
艦船電子對抗 2014年4期2014-10-13
- 衛(wèi)星導(dǎo)航信號波形畸變引起的碼跟蹤偏差
變波形的DLL鑒別器特性典型的GNSS接收機對距離的測量是通過DLL對接收信號的偽碼跟蹤來實現(xiàn)的。忽略導(dǎo)航數(shù)據(jù)信息的GNSS接收機信號模型為sR(t)=A·p(t-τ0)sin(2πf0t+φ0)+n(t).(2)式中:A為接收信號幅度;p(t-τ0)為導(dǎo)航衛(wèi)星下播的偽碼波形;τ0為傳播時延;φ0為相位;f0為頻率;n(t)為接收機噪聲。射頻估計誤差忽略不計,經(jīng)混頻和濾波后,接收信號可表示為sR(t)=A·p(t-τ0)sinφ0+n(t).(3)當(dāng)相關(guān)器
全球定位系統(tǒng) 2014年2期2014-08-21
- 基于FPGA的導(dǎo)航接收機跟蹤環(huán)路設(shè)計與實現(xiàn)
通道調(diào)度,環(huán)路鑒別器計算和環(huán)路濾波等是在DSP或者ARM中實現(xiàn)。這樣就導(dǎo)致了研發(fā)時間較長,研發(fā)過程也較為復(fù)雜。利用Xilinx公司提供的協(xié)處理器[2],實現(xiàn)環(huán)路的跟蹤和通道的調(diào)度,在單片F(xiàn)PGA內(nèi)實現(xiàn)導(dǎo)航接收機的跟蹤環(huán)路,在不損失性能的基礎(chǔ)上實現(xiàn)資源的優(yōu)化。本文分析了導(dǎo)航接收機的設(shè)計和跟蹤的基本原理,分析了載波環(huán)、碼環(huán)的基本設(shè)計和環(huán)路鑒別器的算法性能分析,而后設(shè)計了基于FPGA的導(dǎo)航接收機跟蹤環(huán)路,并在Xilinx公司的Virtex-4系列的XC4VSX5
全球定位系統(tǒng) 2014年5期2014-08-21
- 北斗系統(tǒng)信號NH碼處理方法研究
LL可供使用的鑒別器算法有點積叉積法、叉積法、二相反正切法和四相反正切法[1]。由于四相反正切法無需計算信號幅度,且在低信噪比條件下也有較好的跟蹤效果,因此應(yīng)用最為廣泛。這種鑒別器可以允許較大的捕獲頻率誤差,但是對數(shù)據(jù)跳變敏感[4],因此相鄰的積分序列不應(yīng)該存在頻繁的比特跳變。對于數(shù)據(jù)比特率為50bit/s的GPS來說可以滿足這項要求,因為比特翻轉(zhuǎn)導(dǎo)致鑒別器受影響的可能性很低,F(xiàn)LL可以正常工作[5];但是對于北斗系統(tǒng) MEO/IGSO衛(wèi)星信號,數(shù)據(jù)比特最
導(dǎo)航定位學(xué)報 2014年3期2014-01-10
- 基于小波的改進(jìn)GPS弱信號跟蹤方法
相差可通過環(huán)路鑒別器得出,相差經(jīng)過濾波再反饋到數(shù)控振蕩器(NCO),NCO以此來調(diào)整本地載波頻率。圖1 接收機載波跟蹤環(huán)基本框圖普通的PLL對180°相移敏感,而GPS接收機使用的是對180°相移不敏感的Costas環(huán)[7],以應(yīng)對GPS信號中的導(dǎo)航數(shù)據(jù)比特跳變。其框圖如圖2所示。圖2 載波跟蹤Costas環(huán)在鎖定狀態(tài)的時候,信號將全部集中在同相(I)支路。若本地碼相位精確對齊,則有同相支路I相乘結(jié)果正交支路Q相乘結(jié)果式中,φ即為輸入與本地載波的相差。若相
通信電源技術(shù) 2013年3期2013-09-25
- 伽利略導(dǎo)航衛(wèi)星E1 B偽碼跟蹤技術(shù)研究
中的無模糊跟蹤鑒別器算法的參數(shù)推導(dǎo)仿真和利用此算法參數(shù)設(shè)計的伽利略接收機將在接下來的章節(jié)中被著重介紹。2 伽利略E1信號E1信號由E1-B和E1-C信號組成。如圖1所示。圖1中S1表示E1-B碼子載波a和E1-B碼子載波b分別乘以系數(shù)然后相加,S2表示E1-C碼子載波a和E1-C碼子載波b分別乘以系數(shù)然后相減。伽利略在E1頻點上采用BOC調(diào)制方式。BOC調(diào)制方式使Galileo的信號與GPS的L1 BPSK信號避免了相互干擾,同時有著良好的抗多徑特性。BO
微處理機 2012年2期2012-07-25
- 一種新的BOC調(diào)制無模糊跟蹤鑒別器設(shè)計
峰值,從而使得鑒別器曲線存在錯誤鎖定點,增加這種信號的捕獲難度和錯誤跟蹤的可能性。用于BOC調(diào)制的無模糊捕獲方法,如BPSK-like方法[2]、副載波相位消除技術(shù)(Sub Carrier Phase Cancellation)[3]等,同樣可以用于無模糊跟蹤。BPSK-like方法相關(guān)函數(shù)的計算會造成3 dB的信噪比損失;副載波相位消除技術(shù)則需要兩個通道平方相加,從而造成平方損耗。從建立碼跟蹤延遲鎖定環(huán)數(shù)學(xué)模型出發(fā),詳述了BOC調(diào)制信號的跟蹤模糊問題,基
全球定位系統(tǒng) 2010年5期2010-08-29