本發(fā)明涉及一種流速監(jiān)測實(shí)現(xiàn)方法，具體涉及一種基于對抗生成網(wǎng)絡(luò)的流速監(jiān)測實(shí)現(xiàn)方法，屬于模式識別領(lǐng)域。

背景技術(shù)：

水流速度監(jiān)測可直接或間接用于水電站智能調(diào)度、水文監(jiān)測和災(zāi)害預(yù)報(bào)，是水利工程規(guī)劃設(shè)計(jì)、防汛抗旱和灌溉生產(chǎn)等工作所必需，快速、準(zhǔn)確的流速監(jiān)測能顯著提高水利工程調(diào)度的科學(xué)性和旱澇災(zāi)害的預(yù)見性?；趫D像識別的流速監(jiān)測具備低成本、高精度的優(yōu)點(diǎn)，其核心技術(shù)在于圖像識別。圖像識別的分類算法大致可分為判別性和生成性兩類，其中，前者無需對真實(shí)數(shù)據(jù)分布進(jìn)行顯式建模，只需利用某些分類機(jī)制便可直接對無標(biāo)簽數(shù)據(jù)進(jìn)行分類，但容易對數(shù)據(jù)中的虛假相關(guān)產(chǎn)生過擬合，在非線性分類器中尤為如此；后者則通過訓(xùn)練深度玻爾茲曼機(jī)或前饋式神經(jīng)網(wǎng)絡(luò)等參數(shù)化生成模型以及通過訓(xùn)練自編碼器直接對數(shù)據(jù)分布或幾何屬性進(jìn)行建模，這類基于重構(gòu)的學(xué)習(xí)方法試圖學(xué)習(xí)那些保留了輸入樣本全部信息的特征，然而，生成樣本未必正確反映真實(shí)數(shù)據(jù)特征從而導(dǎo)致基于這些特征難以得到正確的分類。

分類方法往往需要大量標(biāo)簽信息，然而，隨著水流圖像數(shù)量的不斷累積，對所有采樣到的水流圖像逐一進(jìn)行人工標(biāo)識是不現(xiàn)實(shí)的，因此，基于無監(jiān)督學(xué)習(xí)或僅利用少量標(biāo)簽信息的半監(jiān)督學(xué)習(xí)的圖像分類比傳統(tǒng)的基于監(jiān)督學(xué)習(xí)的分類方法更具實(shí)際應(yīng)用價(jià)值。此外，現(xiàn)場節(jié)點(diǎn)往往受到雨、霧和光線等不利因素的干擾而導(dǎo)致采樣圖像包含大量噪音，大大加劇了分類難度。因此，如何提高分類器對含噪水流圖像的魯棒性和實(shí)現(xiàn)基于無監(jiān)督或半監(jiān)督特征學(xué)習(xí)的水流圖像分類具有深遠(yuǎn)意義。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對上述現(xiàn)有技術(shù)的局限性，提出將對抗生成網(wǎng)絡(luò)(generativeadversarialnetworks，gan)應(yīng)用于基于圖像分類的水流測速，通過對抗地訓(xùn)練一對生成器和判別器以結(jié)合生成算法和判別算法各自優(yōu)點(diǎn)并實(shí)現(xiàn)無監(jiān)督或半監(jiān)督學(xué)習(xí)，將生成器輸出的合成圖像與真實(shí)水流圖像同時(shí)作為判別器的輸入有效提高了分類算法對含噪水流圖像的魯棒性。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

一種基于對抗生成網(wǎng)絡(luò)的流速監(jiān)測實(shí)現(xiàn)方法，包括以下步驟：

步驟1，水流圖像預(yù)處理：將rgb水流圖像轉(zhuǎn)換為灰度圖并依次經(jīng)過直方圖均衡化和隨機(jī)裁剪，然后對處理后的圖像灰度值按列展開并進(jìn)行串聯(lián)，所得列向量構(gòu)成了待分類的水流圖像數(shù)據(jù)集的特征矩陣x＝[x1,x2,…,xn]，其中樣本xi是維度為d的列向量；

步驟2，基于對抗生成網(wǎng)絡(luò)進(jìn)行圖像分類：訓(xùn)練一雙對抗的模型：判別器d的目的是正確區(qū)分真實(shí)數(shù)據(jù)和生成數(shù)據(jù)并對真實(shí)數(shù)據(jù)進(jìn)行分類從而最大化判別準(zhǔn)確率，而生成器g的目的則是生成以假亂真的數(shù)據(jù)并最小化判別器d的判別準(zhǔn)確率，兩者的訓(xùn)練是一個(gè)二元零和博弈過程；h表示熵，e表示期望值，p表示概率，data和g分別表示真實(shí)數(shù)據(jù)集和生成數(shù)據(jù)集，生成器g將先驗(yàn)分布為p(z)的隨機(jī)噪音矢量z通過x＝g(z)映射為生成樣本；

2.1依式(1)計(jì)算真實(shí)數(shù)據(jù)集data中類別y的邊緣概率的熵：

其中，d表示判別器，p(y|·)表示y的邊緣概率，n表示真實(shí)數(shù)據(jù)集data的樣本個(gè)數(shù)；

2.2依式(2)計(jì)算圖像x來自真實(shí)數(shù)據(jù)集data的條件熵的經(jīng)驗(yàn)估計(jì)：

其中，k表示圖像類別(也即流速區(qū)間)個(gè)數(shù)，p(y＝k|·)表示圖像屬于類別k的邊緣概率；

2.3依式(3)的蒙特卡羅采樣對圖像x來自生成數(shù)據(jù)集g的條件熵的經(jīng)驗(yàn)估計(jì)進(jìn)行逼近：

其中，m表示獨(dú)立采樣的數(shù)量，噪音矢量zⁱ～p(z)；

2.4依式(4)計(jì)算生成數(shù)據(jù)集g中類別y的邊緣概率的熵：

2.5無監(jiān)督學(xué)習(xí)建模，基于對抗生成網(wǎng)絡(luò)的無監(jiān)督圖像分類的目標(biāo)函數(shù)如式(5)所示：

其中，ld是判別器d的損失函數(shù)，lg是生成器g的損失函數(shù)；

2.6半監(jiān)督學(xué)習(xí)建模：當(dāng)訓(xùn)練集data中部分水流圖像的類別信息已知時(shí)，上述無監(jiān)督分類問題可進(jìn)一步轉(zhuǎn)化為半監(jiān)督分類問題，此時(shí)，式(5)中生成器g的損失函數(shù)保持不變，即，l^labelg＝lg，而判別器d的損失函數(shù)調(diào)整為：

其中，λ是平衡參數(shù)，標(biāo)簽數(shù)據(jù)集data^label＝{(x¹,y¹),…,(x^l,y^l)}，l表示標(biāo)簽數(shù)據(jù)個(gè)數(shù)，ce[y,p(y|x,d)]表示data^label中圖像x的真實(shí)類別y與預(yù)測類別的條件分布p(y|x,d)的交叉熵，具體計(jì)算如式(7)所示：

2.7模型優(yōu)化求解：由于生成器g和判別器d都是可微的，因此可根據(jù)目標(biāo)函數(shù)(5)或(6)利用隨機(jī)梯度下降法對ld和lg進(jìn)行交替訓(xùn)練；

步驟3，流速測定：將步驟2的分類結(jié)果與預(yù)定義的流速區(qū)間進(jìn)行一一對應(yīng)；

步驟4，狀態(tài)分析：當(dāng)監(jiān)測到水流速度超出預(yù)設(shè)閾值時(shí)發(fā)出狀態(tài)異常信號。

本發(fā)明的技術(shù)構(gòu)思：經(jīng)訓(xùn)練的無監(jiān)督對抗生成網(wǎng)絡(luò)的判別器可作為一個(gè)概率型分類器，該分類器由于同時(shí)經(jīng)合成圖像和真實(shí)圖像訓(xùn)練而具備較高魯棒性，在此基礎(chǔ)上利用少量(遠(yuǎn)遠(yuǎn)小于訓(xùn)練集的樣本數(shù)量)具有類別信息的水流圖像進(jìn)行半監(jiān)督學(xué)習(xí)可大大提高分類準(zhǔn)確率?；谏鲜鰧股删W(wǎng)絡(luò)對水流圖像進(jìn)行分類，然后將分類結(jié)果與各個(gè)流速區(qū)間進(jìn)行一一對應(yīng)從而實(shí)現(xiàn)水流速度的快速測定。

本發(fā)明的有益效果：生成器和判別器的對抗訓(xùn)練有效結(jié)合了判別性和生成性分類算法的優(yōu)點(diǎn)并實(shí)現(xiàn)了無監(jiān)督學(xué)習(xí)，將對抗生成網(wǎng)絡(luò)的生成器輸出的合成水流圖像與真實(shí)圖像共同作為判別器的輸入大大提高了分類器對含噪水流圖像的魯棒性，根據(jù)水流圖像進(jìn)行分類并對應(yīng)于預(yù)設(shè)的流速區(qū)間可實(shí)現(xiàn)流速的快速測定和大量水流信息的分類管理。該方法成本較低、準(zhǔn)確率較高，易于推廣。

附圖說明

圖1是本發(fā)明方法流程圖。

圖2a是水流圖像灰度圖。

圖2b是經(jīng)直方圖均衡化后的水流圖像。

圖3a、圖3b、圖3c分別是流速區(qū)間0-0.25m/s，0.25-0.5m/s，0.5-0.75m/s的水流圖像示例。

具體實(shí)施方式

下面對本發(fā)明作進(jìn)一步描述。

一種基于對抗生成網(wǎng)絡(luò)的流速監(jiān)測實(shí)現(xiàn)方法，包括以下步驟：

步驟1，水流圖像預(yù)處理：將rgb水流圖像轉(zhuǎn)換為灰度圖并依次經(jīng)過直方圖均衡化和隨機(jī)裁剪，然后對處理后的圖像灰度值按列展開并進(jìn)行串聯(lián)，所得列向量構(gòu)成了待分類的水流圖像數(shù)據(jù)集的特征矩陣x＝[x1,x2,…,xn]，其中樣本xi是維度為d的列向量；

步驟2，基于對抗生成網(wǎng)絡(luò)進(jìn)行圖像分類：訓(xùn)練一雙對抗的模型：判別器d的目的是正確區(qū)分真實(shí)數(shù)據(jù)和生成數(shù)據(jù)并對真實(shí)數(shù)據(jù)進(jìn)行分類從而最大化判別準(zhǔn)確率，而生成器g的目的則是生成以假亂真的數(shù)據(jù)并最小化判別器d的判別準(zhǔn)確率，兩者的訓(xùn)練是一個(gè)二元零和博弈過程。h表示熵，e表示期望值，data和g分別表示真實(shí)數(shù)據(jù)集和生成數(shù)據(jù)集，生成器g將先驗(yàn)分布為p(z)的隨機(jī)噪音矢量z通過x＝g(z)映射為生成樣本；

2.1依式(1)計(jì)算真實(shí)數(shù)據(jù)集data中類別y的邊緣概率的熵：

其中，d表示判別器，p(y|·)表示y的邊緣概率，n表示真實(shí)數(shù)據(jù)集data的樣本個(gè)數(shù)；

2.2依式(2)計(jì)算圖像x來自真實(shí)數(shù)據(jù)集data的條件熵的經(jīng)驗(yàn)估計(jì)：

其中，k表示圖像類別(也即流速區(qū)間)個(gè)數(shù)，p(y＝k|·)表示圖像屬于類別k的邊緣概率；

2.3依式(3)的蒙特卡羅采樣對圖像x來自生成數(shù)據(jù)集g的條件熵的經(jīng)驗(yàn)估計(jì)進(jìn)行逼近：

其中，m表示獨(dú)立采樣的數(shù)量，噪音矢量zⁱ～p(z)；

2.4依式(4)計(jì)算生成數(shù)據(jù)集g中類別y的邊緣概率的熵：

2.5無監(jiān)督學(xué)習(xí)建模，基于對抗生成網(wǎng)絡(luò)的無監(jiān)督圖像分類的目標(biāo)函數(shù)如式(5)所示：

其中，ld是判別器d的損失函數(shù)，lg是生成器g的損失函數(shù)；

2.6半監(jiān)督學(xué)習(xí)建模：當(dāng)訓(xùn)練集data中部分水流圖像的類別信息已知時(shí)，上述無監(jiān)督分類問題可進(jìn)一步轉(zhuǎn)化為半監(jiān)督分類問題，此時(shí)，式(5)中生成器g的損失函數(shù)保持不變，即，l^labelg＝lg，而判別器d的損失函數(shù)調(diào)整為：

其中，λ是平衡參數(shù)，標(biāo)簽數(shù)據(jù)集data^label＝{(x¹,y¹),…,(x^l,y^l)}，l表示標(biāo)簽數(shù)據(jù)個(gè)數(shù)，ce[y,p(y|x,d)]表示data^label中圖像x的真實(shí)類別y與預(yù)測類別的條件分布p(y|x,d)的交叉熵，具體計(jì)算如式(7)所示：

2.7模型優(yōu)化求解：由于生成器g和判別器d都是可微的，因此可根據(jù)目標(biāo)函數(shù)(5)或(6)利用隨機(jī)梯度下降法對ld和lg進(jìn)行交替訓(xùn)練；

步驟3，流速測定：將步驟2的分類結(jié)果與預(yù)定義的流速區(qū)間進(jìn)行一一對應(yīng)；

步驟4，狀態(tài)分析：當(dāng)監(jiān)測到水流速度超出預(yù)設(shè)閾值時(shí)發(fā)出狀態(tài)異常信號。實(shí)例：

圖片預(yù)處理：由于監(jiān)測點(diǎn)在室外，對水流圖像的拍攝不免受到天氣(如：雨、雪和霧)和光照變化等因素影響。為減弱這些因素對圖像質(zhì)量的影響，將水流圖像的rgb圖轉(zhuǎn)化為灰度圖并進(jìn)行直方圖均衡化處理，增強(qiáng)對比度從而使水紋輪廓變得明顯，圖2(a)和2(b)分別是灰度圖和經(jīng)直方圖均衡化處理的圖。根據(jù)該監(jiān)測點(diǎn)的歷史數(shù)據(jù)預(yù)定義10個(gè)流速區(qū)間(區(qū)間個(gè)數(shù)可根據(jù)實(shí)際應(yīng)用中對精度的要求進(jìn)行增減)，分別是0-0.25m/s，0.25-0.5m/s，0.5-0.75m/s，0.75-1.0m/s，1.0-1.25m/s，1.25-1.5m/s，1.5-2.0m/s，2.0-2.5m/s，2.5-3.0m/s，3m/s及以上，每個(gè)流速區(qū)間包含30張有類別標(biāo)簽的水流圖像(用于半監(jiān)督學(xué)習(xí))，流速閾值為2.3m/s。圖3(a)-(c)分別展示了區(qū)間1、2、3的水流圖像，每張水流原圖大小為1000×750。為降低對抗生成網(wǎng)絡(luò)的計(jì)算復(fù)雜度從而有效提高運(yùn)算效率，將每一張?jiān)瓐D隨機(jī)裁剪為100張32×32的小尺寸圖片。

對抗生成網(wǎng)絡(luò)的架構(gòu)設(shè)置如下：判別器和生成器分別采用卷積神經(jīng)網(wǎng)絡(luò)和反卷積神經(jīng)網(wǎng)絡(luò)，具體如表1所示，其中，conv表示卷積層，leakyrelu表示leaky修正線性單元，fc表示全連接層，stride表示最大池化操作max-pool步幅；

表1架構(gòu)細(xì)節(jié)

對抗生成網(wǎng)絡(luò)的參數(shù)設(shè)置如下：所加入的高斯噪音的標(biāo)準(zhǔn)差為0.05，噪音矢量z的維度設(shè)為128，leakrate＝0.1，批歸一化的規(guī)模b＝100，即，每次從真實(shí)數(shù)據(jù)集data(或標(biāo)簽數(shù)據(jù)集data^label)以及生成器g(z)中所隨機(jī)抽取的樣本數(shù)均為100個(gè)，學(xué)習(xí)率根據(jù)adam算法進(jìn)行自適應(yīng)調(diào)節(jié)且上限為0.001；

模型訓(xùn)練：由于生成器g和判別器d都是可微的，因此可根據(jù)目標(biāo)函數(shù)(5)或(6)利用隨機(jī)梯度下降法對ld和lg進(jìn)行交替訓(xùn)練：首先，固定判別器d并優(yōu)化生成器g，使判別器d的判別準(zhǔn)確率盡可能低，然后，固定生成器g并優(yōu)化判別器d，從而提高判別器d的判別準(zhǔn)確率。為平衡平衡生成器g和判別器d，設(shè)置判別器d每更新5次后生成器g才更新1次以避免生成器g出現(xiàn)模式坍塌。此外，為克服對抗生成網(wǎng)絡(luò)的不穩(wěn)定性，在模型訓(xùn)練過程中采取如下兩個(gè)措施：首先，對判別器d的所有層以及生成器g除最后一層外的所有層使用批歸一化(batchnormalization)，這使得每一層的激活值有界從而有效防止生成器的模式切換并提高判別器的泛化性能，然后，通過將高斯噪音加入經(jīng)批歸一化處理的判別器隱層以實(shí)現(xiàn)判別器的正則化。

本說明書實(shí)施例所述的內(nèi)容僅僅是對發(fā)明構(gòu)思的實(shí)現(xiàn)形式的列舉，本發(fā)明的保護(hù)范圍不應(yīng)當(dāng)被視為僅限于實(shí)施例所陳述的具體形式，本發(fā)明的保護(hù)范圍也及于本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明構(gòu)思所能夠想到的等同技術(shù)手段。