一种基于生成式对抗网络的函数拟合方法及装置制造方法及图纸

本发明专利技术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。计算量小。计算量小。

【技术实现步骤摘要】
一种基于生成式对抗网络的函数拟合方法及装置


[0001]本专利技术涉及函数拟合
，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。

技术介绍

[0002]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。

技术实现思路

[0003]本专利技术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。
[0004]为解决上述问题，一方面，本专利技术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。
[0005]步骤S2中，采样规则是随机采样，采样的数据个数为m。
[0006]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(
ˆ
x,D
θ
),d∈[0,1]其中D
θ
表示判别器D的参数集。
[0007]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
。
[0008]其中：分布P
Noisedata
为均匀分布或者高斯分布。
[0009]一方面，本专利技术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；建立模块，用于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；判别器模块，用于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
；生成器模块，用于将所述随机数据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；判断模块，用于判断判别器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；反馈模块，用于在判别器D输出的值P(D(x))与预设的概率值的差值大于预设的阈值时，由判别器D得到的生成器梯度反馈到生成器G；拟合模块，用于在判别器D输出的值P(D(x))与预设的概率值的差值不大于预设的阈值时，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。
[0010]其中，采样规则是随机采样，采样的数据个数为m。
[0011]所述判别器模块包括：衡量子模块，用于通过判别器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；提供子模块，用于在生成器训练过程中通过判别器D提供梯度信息：d=D(
ˆ
x,D
θ
),d∈[0,1]其中D
θ
表示判别器D的参数集。
[0012]所述生成器模块包括：定义子模块，用于定义生成器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；执行子模块，用于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
，分布P
Noisedata
为均匀分布或者高斯分布。
[0013]一种计算机可读存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行以上所述的一种基于生成式对抗网络的函数拟合方法。
[0014]本专利技术的有益效果是：扩展性好，计算量小。
附图说明
[0015]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0016]图1是本专利技术一实施例提供的一种基于生成式对抗网络的函数拟合方法的流程图；图2是本专利技术一实施例提供的判别器模型框架示意图；图3是本专利技术一实施例提供的生成器模型框架示意图；图4是本专利技术另一实施例提供的一种基于生成式对抗网络的函数拟合方法的流程图。
具体实施方式
[0017]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0018]在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成式对抗网络的函数拟合方法，其特征在于，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。2.根据权利要求1所述的函数拟合方法，其特征在于，步骤S2中，采样规则是随机采样，采样的数据个数为m。3.根据权利要求1所述的函数拟合方法，其特征在于，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(
ˆ
x,D
θ
),d∈[0,1]其中D
θ
表示判别器D的参数集。4.根据权利要求1所述的函数拟合方法，其特征在于，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
。5.根据权利要求1至4任一项所述的函数拟合方法，其特征在于，其中：分布P
Noisedata
为均匀分布或者高斯分布。6.一种基于生成式对抗网络的函数拟合装置，其特征在于，包括：创建模块，用于创建一随机函数以...

【专利技术属性】
技术研发人员：戚建淮，韩丹丹，崔宸，唐娟，
申请(专利权)人：深圳市永达电子信息股份有限公司，
类型：发明
国别省市：