基于生成对抗网络的高端装备研制数据脱敏方法

针对高端装备研制数据的保密性和重要性,提出一种基于生成对抗网络(generative adversarial networks, GAN)的高端装备研制数据脱敏方法。面对高端装备研制数据在数据挖掘和数据共享时可能面临泄露的风险,利用GAN进行数据脱敏。在随机生成的高斯数据集上进行实验,通过比较源数据和脱敏数据的统计特征,证明GAN的数据脱敏方法能够有效实现数据脱敏过程中所要求的数据安全性、数据有效性和成本可控性。最后,在Yeast数据集上进行验证, GAN输出的脱敏数据同样在现实世界数据集上表现出色,能够准确地预测Yeast的分类,为高端装备研制数据的管理和分析提供了一种新的思路。     

基于加权GraphSAGE和生成对抗网络的医保欺诈识别方法

医保欺诈行为分析与识别是医疗保险基金监管中最为重要的工作,对保障医保基金安全与可持续发展有着非常重要的意义.为保证医保欺诈行为识别的准确度,需充分挖掘医保数据中的患者信息.然而,对于缺乏欺诈样本的不平衡医保数据集,目前常用的医保欺诈识别模型的泛化能力不佳且性能下降.因此,本文提出了一种基于加权GraphSAGE和生成对抗网络的医保欺诈识别方法.该方法融合了患者就诊关系特征表示与基于加权GraphSAGE算法的患者特征提取,并结合生成对抗网络构建识别模型.实验证明,本方法大大提升了模型的识别性能.同时,我们将所提方法与元路径向量、图卷积神经网络、图注意力网络、多层图注意力网络和超图自适应聚类网络等先进主流识别模型对比发现,本文提出的识别方法在召回率、精确率、F1值和准确率等指标下表现也更好;在不同数据规模和不同正负样本比例下,模型性能稳定,有较好的泛化性.     

基于生成对抗网络的信号调制方式的开集识别

为解决信号调制方式的开集识别问题,基于生成对抗网络提出了一种适用于一维信号数据的重构判别网络模型,该模型由重构网络和判别网络组成,分别用来重构和判别输入信号。两个网络在相互对抗的训练过程中,对已知调制方式信号的数据分布形式充分学习,使得重构后的输出不仅能够呈现已知调制方式信号更多有用的信息,而且能够扰乱未知调制方式的信号,从而增强判别网络对输入信号调制方式的判别能力。仿真结果表明,该模型能够实现信号调制方式的开集识别,而且在信噪比大于0 dB时,对已知调制方式和未知调制方式信号的识别率均大于93%。     

基于生成对抗神经网络的雷达遥感数据增广方法

在雷达探测领域,数据样本无论在完备性还是多样性上,均不能满足深度学习模型有效训练的要求,模型极易出现过拟合现象,从而限制了相关技术在雷达探测领域的广泛应用。面向雷达探测领域的智能化应用需求,针对雷达数据样本不足问题,提出基于生成对抗神经网络的微波成像体制雷达数据增广方法。针对雷达数据样本特征不显著问题,结合标签平滑正则化方法,实现增广数据样本的自动标注,通过构建增广样本与真实样本协同的深度学习模型训练框架,实现模型在小规模雷达数据样本集上的鲁棒训练。基于公开雷达探测数据集,验证了该方法的有效性。     

基于生成对抗网络的图像自增强去雾算法

针对现有去雾模型使用合成有雾图像数据集训练后容易出现过拟合的问题,提出了一种融合生成对抗网络的图像自增强去雾算法。在结合两个生成对抗网络的同时估计图像的深度信息。第一个GAN利用清晰图像学习图像加雾过程,将其生成的有雾图像作为第二个GAN的输入,指导第二个GAN如何正确去雾。为了减少图像处理前后的差异,利用一致性损失函数来优化两个网络。在图像加雾部分添加场景深度估计模块,并对散射因子进行随机采样,实现图像自增强功能,更加真实地模拟现实世界中不同浓度的雾气。该算法无需使用合成有雾图像数据集的成对信息,进一步避免过拟合问题。实验结果表明：所提算法能够取得较好的去雾效果,在主观视觉质量和客观评价指标上均有良好表现,优于同类算法。     

基于生成对抗网络的仿真卫星云图生成方法

针对气象领域中仿真云图生成问题,提出一种基于深度生成对抗网络的仿真卫星云图生成方法.利用深度学习的非线性映射能力和对栅格数据的信息提取能力,选取合适的数值模式产品要素作为输入,建立深度生成对抗模型提取同时次、同区域数值模式产品和卫星云图产品的对应有效信息,再利用提取的信息将数值模式产品重构为卫星云图产品.基于欧洲中期天...     

基于生成对抗网络的防空体系态势辅助分析

针对当前从体系视角对防空体系进行态势分析的模型较为缺乏, 且模型结果不易于指挥员分析理解的问题, 提出了基于生成对抗网络的防空体系态势辅助分析模型。首先, 通过图形化的方法对防空体系态势信息以及作战能力进行描述, 便于人类指挥员更好的理解。然后, 利用生成对抗网络模拟人类指挥员态势分析的过程, 从浅层态势特征推理得到防空体系能力图。最后, 利用多个指标对各类模型的结果进行对比。实验结果表明, 所提模型可以从体系视角进行分析, 得到防空体系能力图, 生成图像的准确率较其他模型至少提高34.1%。     

基于复杂网络的指挥信息系统拓扑模型研究

面对指挥信息系统日益呈现出的复杂性和网络化结构特点,提出基于复杂网络的研究思路,通过将三维立体结构映射到二维平面连接的方式,构建出指挥信息系统拓扑模型.然后通过实体数值分析的方法,验证了小世界和无尺度特性的存在,并展望了其网络化特征的应用前景,为将复杂网络成果运用到未来系统建设中去提供了积极的理论启示和参考价值.     

基于生成对抗网络的半监督图像语义分割

提出了一种基于生成对抗网络的语义分割模型,包括一个全卷积语义分割网络以及一个判别网络,其中语义分割网络负责生成与输入图像对应的语义分割图,判别网络负责检测分割图与真实标签的区别,以促使分割网络改进分割效果。为了更好的提取全局结构信息,语义分割网络中采用了金字塔池化模块,对不同规模的空间区域进行池化操作。另外,为了应对语义分割训练数据集人工标注成本过高的问题,利用判别网络生成伪标签协助语义分割网络进行训练,从而实现了半监督训练效果。模型在PASCAL VOC2012数据集中进行了测试,结果表明该模型在全监督和半监督条件下均优于已有方法。     

一种计算机网络对抗战术情报的生成模型

情报提供及时、完整、准确的对抗态势,使得作战的指挥决策者能顺利完成决策任务.情报生成是保证情报质量的关键,现有计算机网络对抗缺少独立的情报生成系统.基于着色Petri网,为计算机网络对抗的战术情报提出一种生成模型.明确计算机网络对抗的作用对象及情报外延,形式地定义情报生成活动及过程,在此基础上建立战术情报生成的CPN模型.该模型通过CPN Tool2.2进行仿真和分析,验证了该模型提供的情报生成过程的计算可行性和有效性,为相应的软件系统设计提供依据.     

基于残差生成对抗网络的调制识别算法

针对小样本条件下通信信号识别准确率不高、网络训练困难的问题, 本文提出一种基于残差生成对抗网络的调制识别算法。首先, 设计一种以Leakyrelu作为隐藏层激活函数的新残差单元, 使得网络对输入为负值的数据也可以进行梯度计算; 然后, 将新残差单元组成的残差网络和卷积神经网络作为本文算法的基本网络结构, 使用卷积步幅为1的非对称小卷积核, 更好地提取信号的边缘特征信息; 最后, 用Dropout代替池化操作, 并选择Adam梯度优化算法以交替迭代方式完成网络训练。仿真实验结果表明, 小样本条件下, 残差生成对抗网络算法复杂度明显降低, 信噪比(signal to noise ratio, SNR)在0 dB以上时, 对10种调制信号的识别准确率可以达到91%, 验证了所提方法的有效性。     

基于生成对抗与卷积神经网络的调制识别方法

自动调制识别在频谱监测和认知无线电中占有重要地位.针对现有调制识别算法在低信噪比条件下识别率低的问题,提出一种基于生成对抗网络(generative adversarial network,GAN)和卷积神经网络(convolu-tional neural network,CNN)的数字信号调制识别方法.在利用平滑伪W...     

基于复杂网络理论的指挥控制系统自适应重构模型

为研究信息化条件下指挥控制(command and control, C2)系统在对抗环境下的自适应重构机制,基于复杂网络理论和作战指挥原则,从重构触发机制、边的修复策略、结构重组策略和重构评价机制4方面建立了C2系统的自适应重构模型,其中重点研究了边的修复策略和结构重组策略。针对边的修复提出了一种自适应修复策略;而针对结构重组,提出了升级重组、越级重组、转隶重组和组合重组4种重组策略。仿真结果表明,在综合考虑重构效果和成本消耗的情况下,与以往研究相比,边的自适应修复策略为相对较优的边重构策略,而与单一重组相比,组合重组策略为较优的结构重组策略;并且该自适应重构模型能在一定程度上比较客观地反映指挥控制系统的遇袭重构演化过程。     

基于SMP2的复杂系统生成式仿真建模方法

复杂系统仿真迫切需要能够同时支持多领域分别独立针对性建模和全系统统一集成仿真的方法. 将当前用于复杂系统仿真的建模方法分为统一型、组合型和生成式三大类, 分析指出生成式建模方法具有较之其它方法的独特优势, 有望解决复杂系统仿真建模面临的问题. 研究了当前仿真领域应用的各类生成式建模方法存在的不足. 提出了以仿真模型可移植性标准(SMP2)为基础, 综合利用生成式建模方法的两大流派-模型驱动架构(MDA)和模型集成计算(MIC)-的先进技术和规范, 构建复杂系统生成式仿真建模方法的研究思路. 分析了其中的多领域生成式仿真模型公共表示规范、各类仿真形式体系到SMP2的映射与模型变换以及面向领域的仿真建模工具的自动生成等三大关键技术问题. 设计了生成式仿真建模一体化支撑环境的体系结构, 介绍了其中已经完成的工作和下一步的重点.     

信息融合技术在某试验指挥控制系统中的应用

针对靶场试验指挥控制系统中的信息融合需求,提出了一种改进的联合卡尔曼滤波算法,用计算加权系数的方法代替原来的计算加权矩阵,从而避免了求解滤波误差方差阵的逆矩阵。以GPS系统和地面某雷达的测量数据为例,对该算法进行了计算机仿真。结果表明,该算法对于抑制滤波发散、提高整个系统的精度和运算速度是行之有效的。     

基于数据复杂性的信息系统复杂度测量

信息系统的复杂度测量是进行信息系统成本核算和信息系统报价等的前提.为了更加全面、动态地测量信息系统复杂度,提出了数据复杂性的概念,将数据复杂性分为数据结构、数据量和数据操作等三个维度,构建了基于数据复杂性的信息系统复杂度的测量模型;然后,建立了数据复杂性三个子维度的信息熵模型,同时利用复杂性格空间理论对数据复杂性进行了整体测量;最后,对两家中型制造企业的物资和经营销售管理信息系统进行了实证研究,验证了该测量模型和计算方法的有效性.     

小样本条件下SCGAN+CNN低分辨雷达目标一步识别算法

现有低分辨雷达目标识别方法,通常采用先特征提取、再进行目标分类的两步识别算法,这种算法存在识别率难以提高和方法泛化性不足的问题,对此,提出一种增强条件生成对抗网络（strengthening condition generative adversarial network,SCGAN）+卷积神经网络（convolutional neural network,CNN）的低分辨雷达目标一步识别算法。该算法利用CNN自动获取采样数据深层本质特征,无需特征提取,实现对目标的一步识别。为进一步提高小样本条件下的识别效果,基于CGAN理论来提高样本在特征空间的覆盖程度,并对CGAN的判别器进行改进,在损失函数中增加混叠惩戒项,通过SCGAN生成不混叠的生成样本来更好地训练CNN,提高其在小样本条件下的识别能力。仿真对比实验校验了一步识别算法较传统两步识别算法的优越性,以及SCGAN+CNN的低分辨雷达目标一步识别算法在小样本条件下的有效性。