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！

龙图腾网获悉中国地质大学(武汉)申请的专利基于生成对抗网络数据扩充策略的滑坡识别方法及装置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：CN116612383B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202310462622.5，技术领域涉及：G06V20/10；该发明授权基于生成对抗网络数据扩充策略的滑坡识别方法及装置是由陈涛;刘桐;吕良;王青叶;李欣然设计研发完成，并于2023-04-24向国家知识产权局提交的专利申请。

本基于生成对抗网络数据扩充策略的滑坡识别方法及装置在说明书摘要公布了：本发明公开了一种基于生成对抗网络数据扩充策略的滑坡识别方法及装置，包括：获取多源数据集并进行预处理，提取滑坡致灾因子，对滑坡致灾因子进行预处理、滑坡标签制作后，构建滑坡样本库；将预处理后的滑坡致灾因子及滑坡标签进行图层叠加后，通过影像立方体制作一维阵列数据，并划分为训练集和测试集；将训练集中的滑坡数据分批次输入网络中进行训练，完成少数类样本扩充，并将扩充后的样本加入原始训练集中构成平衡数据集；将平衡数据集输入至后端机器学习分类模型中进行训练，使用训练产生的最优模型对测试集进行测试，获得滑坡预测结果。本发明解决了数据集中类间不平衡的问题，并可使滑坡识别边界更加清晰完整，提高滑坡目标识别的精度。

本发明授权基于生成对抗网络数据扩充策略的滑坡识别方法及装置在权利要求书中公布了：1.一种基于生成对抗网络数据扩充策略的滑坡识别方法，其特征在于，包括以下步骤： 获取多源数据集并进行预处理后，提取滑坡致灾因子，对滑坡致灾因子进行预处理、滑坡标签制作后，构建滑坡样本库； 将预处理后的滑坡致灾因子及滑坡标签进行图层叠加后，通过影像立方体制作一维阵列数据，将一维阵列数据划分为训练集和测试集； 将训练集中的滑坡数据分批次输入至基于卷积神经网络的优化生成对抗网络模型Smo-SE-WGAN中进行训练，完成少数类样本扩充，并将扩充后的样本加入原始训练集中构成平衡数据集，包括： 按照固定批次将训练集X1中的滑坡数据XL输入至网络中，滑坡特征为影像立方体生成的一维阵列数据，批次数量设定则需根据滑坡特征维度大小，硬件计算能力及网络复杂度进行设置； 根据滑坡特征构建基于卷积神经网络的优化生成对抗网络模型Smo-SE-WGAN，包括：不平衡数据采样模块、Smote模块及GAN模块； 首先滑坡数据经由不平衡数据采样模块循环迭代提取滑坡及背景样本，而后采用Smote模块进行数据平衡处理，针对少数类样本进行复制生成伪数据；GAN模块包含模拟真实数据分布的数据生成器G，以及进行判断数据为真实滑坡数据或是生成器G产生的伪数据判别器D； 采用概率分布差异指标Wassertein距离构建损失函数，用于计算生成器G生成的伪数据分布与真实数据分布之间的距离，其计算公式具体如下： 式中，Z为真实滑坡数据，Z从属于真实滑坡数据分布，Gn为随机噪声经过生成器G产生的伪数据，Gn从属于生成数据分布G；为真实数据与生成数据的联合分布，E为平均值； 根据网络批次及滑坡特征维度构造同等大小的服从正态分布的噪声矩阵Noise，将其输入至GAN模块中的生成器G，生成器中以卷积神经网络为底层网络进行构建，针对滑坡阵列数据特点采用一维卷积层、激活函数及批归一化层相间结构；针对滑坡一维阵列数据将通道注意力机制引入生成器，而后随机噪声通过上述相间结构进行卷积提取特征操作模拟真实滑坡特征数据的分布形态，从而生成与滑坡特征相同的伪数据XW； 将上述生成器G产生的伪数据XW及真实滑坡数据XL一同输入至判别器D中，判别器的底层构架采用一维卷积层及最大池化层交替的形式学习真伪数据分布情况，框架底层加入Softmax函数进行真伪标签判别；而后根据Loss数值，采用随机梯度下降方法交替更新生成器G与判别器D参数，直至完成最大训练次数结束生成对抗网络训练，并保留生成器最佳参数； 将与滑坡特征维度相同的噪声矩阵Noise输入至生成器G，并加载生成器最佳参数，根据滑坡样本及非滑坡样本数量的差值生成滑坡扩增数据Xk，并将其加入原始训练集X1构成平衡数据集XP用于模型训练； 将平衡数据集输入至后端机器学习分类模型中进行训练，使用训练产生的最优模型对测试集进行测试，获得滑坡预测结果。

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中国地质大学(武汉)，其通讯地址为：430000 湖北省武汉市洪山区鲁磨路388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。