基于巴氏距离的生成式对抗网络收敛性问题

发布时间：2021-03-30 01:59

　　随着计算能力的提升,以及神经网络的发展,越来越多的学者投身于生成式模型的研究。生成式对抗网络,通常可以简称为GAN,是一种在当前十分流行的生成式模型。自最原始版本的生成式对抗网络在2014年被提出以来,生成式对抗网络吸引了很多研究人员的兴趣。生成式对抗网络的诞生受到了博弈论和对抗思想的启发,模型包含一个生成器和一个判别器,通过两者相互对抗,来使生成器与判别器都被不断的优化。最终使生成器生成足以以假乱真的数据。但是现有的生成式对抗网络模型依旧存在着很多不足的地方,例如,在对GAN进行训练的过程中,我们要对生成器和判别器都进行训练,如果在生成器还没能学习到原始概率分布的足够多信息时,判别器就已经被训练的准确率很高,那么在接下来的训练中,很可能生成器很难从判别器中得到信息以对自身进行优化,这导致训练过程可能不稳定。除此之外,生成式对抗网络以神经网络为基础,存在神经网络类模型的一般性缺陷,即可解释性差。此外还有很多生成式对抗网络模型存在模式崩溃现象,可能重复生成差异不大的数据。为了尝试解决这些问题,本文采用理论研究与算法模拟相结合的方法,提出了一种新的基于巴氏距离的生成式对抗网络算法,并对其证... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：41 页

【学位级别】：硕士

【部分图文】：

1GAN模型的结构

2SGAN的结构

3CGAN的结构


本文编号：3108632