基于小样本的数据增强及神经网络对抗训练方法技术

本发明专利技术属于车辆缺陷等级评估技术领域，具体涉及一种基于小样本的数据增强及神经网络对抗训练方法。本发明专利技术改进了基于生成模型数据增强的车辆损伤和缺陷等级神经网络评估模型小样本条件优化方法。基于传统生成模型数据增强方法与神经网络评估模型结构的相容性不足，因此增强数据对神经网络评估模型的性能优化作用有限。本发明专利技术提出结合神经网络评估模型结构特征的数据增强方法和神经网络评估模型基于增强数据的对抗训练方法，解决神经网络评估模型在小样本条件下模型结构性能退化的问题，提升了神经网络评估模型的性能。

Data enhancement and neural network countermeasure training method based on small sample

【技术实现步骤摘要】
基于小样本的数据增强及神经网络对抗训练方法
本专利技术属于车辆缺陷等级评估
，具体涉及一种基于小样本的数据增强及神经网络对抗训练方法。
技术介绍
车辆部件的性能与可靠性与温度、湿度、光照等环境因素密切相关。评估环境对车辆部件损伤和性能退化的影响对面向不同地区的车辆设计与制造参数的优化具有重要的指导作用。在给定环境因素中，评估车辆部件损伤和缺陷等级是评估环境对车辆影响的重要内容和环节。由于车辆部件损伤和缺陷是相关影响因素长期作用所形成的，因此试验采集的部件损伤和缺陷数据面临数据量少、成本高的问题。另一方面，基于神经网络的车辆部件损伤和缺陷等级评估模型具有高性能的前提是需要大量的损伤和缺陷数据进行训练。当车辆部件损伤和缺陷的数据量小(满足小样本条件)时，基于神经网络的部件损伤和缺陷评估模型的性能受到限制。神经网络评估模型在小样本条件中的优化方法取得了飞速发展，通用神经网络评估模型在车辆部件损伤和缺陷等级评估领域取得了更加广泛和深入的应用。目前，神经网络评估模型在小样本条件中的优化方法以融合先验知识等学习为基本原理，主要基于数据增强、迁本文档来自技高网...

【技术保护点】
1.一种基于小样本的数据增强及神经网络对抗训练方法，其特征在于，所述方法包括：/n步骤1：将数据集

【技术特征摘要】
1.一种基于小样本的数据增强及神经网络对抗训练方法，其特征在于，所述方法包括：
步骤1：将数据集平均分解成t份，具体形式如下：



步骤2：随机选取整数k∈[1...nt]，训练第一生成器G1(x,φ1)、第二生成器G2(x,φ2)和第三生成器G3(x,φ3)中的参数{φ1,φ2,φ3}，所述步骤2包括：步骤21、步骤22和步骤23；
步骤21：通过求解下面关于参数φ1的优化问题来得到第一生成器G1(x,φ1)的最优参数φ1：



步骤22：通过求解下面关于参数φ2的优化问题来得到第二生成器G2(x,φ2)的最优参数φ2：



步骤23：通过求解下面关于参数φ3的优化问题来得到生成器G3(x,φ3)的最优参数φ3：



步骤3：对i＝nk-1...nk，计算第一生成器G1(xi,φ1)、第二生成器G2(xi,φ2)和第三生成器G3(xi,φ3)的重要性权值W1i、W2i、W3i：









其中，Jl(f(x,θ),y)为交叉熵损失函数l(f(x,θ),y)关于θ的Jacobian矩阵；
Jl(f(G1(xi,φ1),θ),yi)表示Jl(f(x,θ),y)在x＝G1(xi,φ1),y＝yi处的取值；
Jl(f(G2(xi,φ2),θ),yi)表示Jl(f(x,θ),y)在x＝G2(xi,φ2),y＝yi处的取值；
Jl(f(G2(xi,φ2),θ),yi)表示Jl...

【专利技术属性】
技术研发人员：王础，范国超，郝创博，王佳佳，王东豪，刘玉蓉，
申请(专利权)人：北京京航计算通讯研究所，
类型：发明
国别省市：北京;11