【技术实现步骤摘要】
一种基于改进GAN网络的高斯分布数据调整方法
本专利技术涉及一种基于改进GAN网络的高斯分布数据调整方法，属于机器学习
技术介绍
生成式对抗网络（GAN,GenerativeAdversarialNetworks）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（GenerativeModel）和判别模型（DiscriminativeModel）的互相博弈学习产生相当好的输出。我们经常需要GAN网络生成的数据与真实数据一致，但同时也按一定的期望规律分布，即对生成数据的导向做一定的调整。但是目前还没有通过GAN网络对生成数据的导向做一定调整的方案。
技术实现思路
本专利技术要解决的技术问题是提供一种基于改进GAN网络的高斯分布数据调整方法，通过GAN网络输出的生成数据符合高斯分布规律，同时也满足生成数据与真实数据在特征上是一致的。为了解决所述技术问题，本专利技术采用的技术方案是：一种基于改进GAN网络的高斯分布数据调整方法
【技术保护点】
1.一种基于改进GAN网络的高斯分布数据调整方法，其特征在于：包括以下步骤：/nS01）、将自然随机数、人工设定值或者其他系统产生的数据传输至数据生成网络，数据生成网络根据输入数据输出生成数据；/nS02）、步骤S01的生成数据、衡量生成数据近似性的真实数据传输至数据判别网络，数据判别网络根据生成数据与真实数据的近似性得到损失Loss1；/nS03）、数据生成网络批量生成的n个数据传输至高斯分布偏差判断网络，高斯分布偏差判断网络使用中心极限定理统计批量生成的n个数据的分布，并计算该分布与正态高斯分布的距离，从而得出损失Loss2；/nS04）、损失Loss2与损失Loss1...
【技术特征摘要】
1.一种基于改进GAN网络的高斯分布数据调整方法，其特征在于：包括以下步骤：
S01）、将自然随机数、人工设定值或者其他系统产生的数据传输至数据生成网络，数据生成网络根据输入数据输出生成数据；
S02）、步骤S01的生成数据、衡量生成数据近似性的真实数据传输至数据判别网络，数据判别网络根据生成数据与真实数据的近似性得到损失Loss1；
S03）、数据生成网络批量生成的n个数据传输至高斯分布偏差判断网络，高斯分布偏差判断网络使用中心极限定理统计批量生成的n个数据的分布，并计算该分布与正态高斯分布的距离，从而得出损失Loss2；
S04）、损失Loss2与损失Loss1加权求和，作为数据生成网络的整体损失，利用该整体损失对图像生成...
【专利技术属性】
技术研发人员：朱锦雷，井焜，许野平，
申请(专利权)人：神思电子技术股份有限公司，
类型：发明
国别省市：山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。