买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉东南大学申请的专利一种基于高斯判别生成对抗网络的工业故障增强分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119538033B 。

龙图腾网通过国家知识产权局官网在2025-09-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411553274.3，技术领域涉及：G06F18/241；该发明授权一种基于高斯判别生成对抗网络的工业故障增强分类方法是由葛志强设计研发完成，并于2024-11-01向国家知识产权局提交的专利申请。

本一种基于高斯判别生成对抗网络的工业故障增强分类方法在说明书摘要公布了：本发明公开了一种基于高斯判别生成对抗网络的工业故障增强分类方法，用于补充工业生产过程中相对比较稀缺的故障类型数据，以此提升工业故障分类的精度。该方法将高斯判别分析模型作为生成对抗网络的判别器，使用高斯判别分析来判别生成样本的真实性，并输出样本为真的概率，称该模型称为高斯判别生成对抗网络，通过训练高斯判别生成对抗网络，能够生成和少数类故障样本相似的合成样本，将其与原有的稀缺故障数据样本融合在，生成一个新的数据增强模式的平衡故障数据集，将这个新的数据集用于训练工业故障分类器，从而提升实际应用中工业故障分类的精度。本发明可以有效地解决工业故障分类中，因为部分类别故障样本稀缺而导致的故障数据样本不平衡的问题，提升工业故障分类的精度，为实时的故障识别和诊断提供重要的依据。

本发明授权一种基于高斯判别生成对抗网络的工业故障增强分类方法在权利要求书中公布了：1.一种基于高斯判别生成对抗网络的工业故障增强分类方法，其特征在于，包括如下步骤： 步骤一：收集历史工业过程的故障数据样本作为训练数据集，每一类故障样本表示为 其中，M为该类故障样本的数量， 步骤二：将步骤一中收集到的故障样本数据集D0归一化，使得数据集中的样本的每个变量均处在[0,1]的范围中，计算样本的均值，对于经过归一化的样本，计算出M个样本中每一个变量的均值，得到一个均值向量μ0， 步骤三：将归一化的数据集D0和从随机高斯噪声空间采样得到的n个小批次噪声样本{z1,…,zn}分别输入到高斯判别生成对抗网络的生成器和判别器中，并对于每一个输入的样本都得到对应的判别器输出； 步骤四：更新判别器的参数，将采样得到的{z1,…,zn}输入到网络生成器中得到输出使用滑动窗截取最新的N个生成器生成的合成样本，与所有M个训练数据集中的真实样本共同通过最大似然估计法更新判别器的参数， 步骤五：更新生成器的参数，将采样得到的{z1,…,zn}输入到生成器中得到输出将这些合成样本输入判别器得到输出并使用判别器的输出通过随机梯度下降的方法来更新生成器的参数， 步骤六：重复步骤三到步骤五直到模型收敛，得到高斯判别生成对抗网络的最优参数，建立基于高斯判别生成对抗网络的工业故障增强分类模型，保存模型参数， 步骤七：生成少数类增强样本，从同样的随机高斯分布中采样噪声，并输入到训练收敛的生成器中，得到与数量稀缺的故障样本相似的合成样本，使得少数类样本的数量与多数类相等，数据集达到平衡，使用经过增强的平衡数据集进行故障分类，提升分类器的精度，以实现更准确的故障分类； 其中，所述步骤三具体包括如下步骤： 构建生成器：所述生成器以MLP网络为结构，由依次连接的第一层隐层、Relu激活函数、第二层隐层组成，其中，第一层隐层和第二层隐层的权重矩阵和偏置向量分别为W1,b1,W2,b2，将这些网络参数表示为θ＝{W1,b1,W2,b2}， 构建判别器：所述判别器以高斯判别分析为结构，使用了相同协方差假设，包含了两个高斯分布假设，两个高斯分布的参数分别为μ0,μ1,Σ,假设类概率分布服从伯努利分布，参数为φ，将判别器的参数表示为所述判别器模型由如下公式所描述， y～Bernoulliφ x|y＝0～Nμ0,Σ x|y＝1～Nμ1,Σ 通过贝叶斯公式输出模型输入样本属于各类的概率，实现二分类。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人东南大学，其通讯地址为：211102 江苏省南京市江宁区东南大学路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。