CN111126566A - 基于gan模型的异常家具布局数据检测方法 - Google Patents

Abstract

本发明公开了一种基于GAN模型的异常家具布局数据检测方法，其中充分利用GAN模型的基本思想，将真实的家具布局数据进行标注，同时随机构造相同结构的假的家具布局数据，并进行标注。在模型训练阶段，通过梯度下降等优化方法，一方面基于生成器更新对抗器的参数，另一方面基于对抗器更新生成器的参数。与一般的GAN模型不同，由于本发明的目的着重在异常家具布局数据的检测上，因此，在生成器的设计上，训练策略上，对抗器的目标函数上都异于一般的GAN模型，同时异于一般的异常数据检测的GAN模型。本发明方法不仅能检测出异常家具布局数据，同时能判断出具体异常点。

Description

基于GAN模型的异常家具布局数据检测方法

技术领域

本发明涉及信号处理技术领域，尤其涉及一种基于GAN模型的异常家具布局数据检测方法。

背景技术

GAN(生成式对抗网络)模型在图像生成、语音生成、文字生成等领域都有广泛应用。GAN模型在数据异常检测上的应用也很多，但一般都是让生成器生成逼真的正常案例，并且让对抗器区分真实案例和生成案例。最后利用对抗器检测异常数据。但这种方法只能检测出有重大异常的数据，对于仅有微小异常的数据则无法检测，并且不能区分异常类型。因而传统方案往往存在异常数据检测精度低的问题。

发明内容

针对以上问题，本发明提出一种基于GAN模型的异常家具布局数据检测方法。

为实现本发明的目的，提供一种基于GAN模型的异常家具布局数据检测方法，包括如下步骤：

S2，设计训练数据集中一个训练数据对应的异常数据类型表T_abnormal；

S3，构建异常数据生成器G(.)，将异常数据类型表T_abnormal的映射向量划分为异常类型部分和非异常类型部分；

S4，将异常类型部分、非异常类型部分和预设的常规家具布局数据输入所述异常数据生成器G(.)，使异常数据生成器G(.)输出一个尺寸与训练数据集中的训练据一样的矩阵I_gen；

S5，构建对抗器D(.)，采用对抗器D(.)计算矩阵I_gen的对抗分数P_gen，根据对抗分数P_gen分别确定生成器损失函数L_G和分类器损失函数L_C；

S6，从训练数据集中随机取出一张图I_real，传入对抗器D(.)中，计算出该图的特定对抗分数P_real，根据特定对抗分数P_real确定特定损失函数；

S7，根据生成器损失函数L_G和特定损失函数确定对抗器损失函数L_D，根据对抗器损失函数L_D和分类器损失函数L_C确定对抗器兼分类器的总损失函数L_{D_C}；

S8，采用Adam优化器，基于生成器损失函数L_G，更新生成器模型权重；基于总损失函数L_{D_C}，更新对抗器兼分类器模型的权重；

S9，针对训练数据集的其他各个训练数据分别执行步骤S2至S8，以使GAN模型相对于训练数据集的各个训练数据的生成器损失函数L_G和总损失函数L_{D_C}均达到设定标准；所述GAN模型包括生成器模型和对抗器兼分类器模型。

在一个实施例中，上述基于GAN模型的异常家具布局数据检测方法，还包括：

S10，采用GAN模型检测待测家具布局数据中的异常数据。

在一个实施例中，步骤S2之前还包括：

S1，构建包括多个家具布局数据的训练数据集，对所述训练数据集进行清洗，以使清洗后的训练数据集中无异常数据。

在一个实施例中，步骤S3之前还包括：

随机生成一个n维向量z，将向量z的一部分映射到T_abnormal，作为异常数据类型表T_abnormal的映射向量，记映射函数f(·)；其中，T_abnormal＝f(z)。

在一个实施例中，构建异常数据生成器G(.)包括：

采用反卷积结构构建异常数据生成器G(.)；构建异常数据生成器G(.)的构建过程包括：

G(.)＝Tranpose_CNN(.)，

其中，Tranpose_CNN(.)表示反卷积结构。

在一个实施例中，构建对抗器D(.)包括：

采用卷积结构构建对抗器D(.)；构建对抗器D(.)的过程包括：

D(.)＝CNN(.)，

其中，CNN(.)表示卷积结构。

在一个实施例中，P_gen＝D(I_gen)，

L_G＝-log(P_gen)，

P_real＝D(I_real)，

其中，P_gen表示算矩阵I_gen的对抗分数，L_G表示生成器损失函数，I_real表示从训练数据集中随机取出的一张图，P_real表示特定对抗分数。

在一个实施例中，L_D＝log(P_gen)-log(P_real)，

L_C＝-∑log(P_gen)，

L_{D_C}＝L_D+L_C，

其中，P_gen表示算矩阵I_gen的对抗分数，P_real表示特定对抗分数，L_D表示对抗器损失函数，L_C表示分类器损失函数，L_{D_C}表示于总损失函数。

上述基于GAN模型的异常家具布局数据检测方法，通过设计训练数据集中一个训练数据对应的异常数据类型表T_abnormal，构建异常数据生成器G(.)，将异常数据类型表T_abnormal的映射向量划分为异常类型部分和非异常类型部分，将异常类型部分、非异常类型部分和预设的常规家具布局数据输入所述异常数据生成器G(.)，使异常数据生成器G(.)输出一个尺寸与训练数据集中的训练据一样的矩阵I_gen，构建对抗器D(.)，采用对抗器D(.)计算矩阵I_gen的对抗分数P_gen，根据对抗分数P_gen分别确定生成器损失函数L_G和分类器损失函数L_C，从训练数据集中随机取出一张图I_real，传入对抗器D(.)中，计算出该图的特定对抗分数P_real，根据特定对抗分数P_real确定特定损失函数，根据生成器损失函数L_G和特定损失函数确定对抗器损失函数L_D，根据对抗器损失函数L_D和分类器损失函数L_C确定对抗器兼分类器的总损失函数L_{D_C}，采用Adam优化器，基于生成器损失函数L_G，更新生成器模型权重；基于总损失函数L_{D_C}，更新对抗器兼分类器模型的权重，针对训练数据集的其他各个训练数据分别执行步骤S2至S8，以使GAN模型相对于训练数据集的各个训练数据的生成器损失函数L_G和总损失函数L_{D_C}均达到设定标准，以依据所确定的GAN模型进行异常家具布局数据检测，其中首先保证原始的数据真实且无异常，然后人为或然地构造异常数据，设计生成器损失函数，使得生成器的参数朝向生成真实的指定异常数据这个方向调整，同时设计对抗器输出节点以及损失函数，使得对抗器在单一特征提取器的前提下，既有真实与否的分类节点，又有异常类型的分类节点，这一GAN模型既能检测出微小异常数据，又能区分数据异常的类型，可以实现提高相应检测精度的目的。

附图说明

图1是一个实施例的基于GAN模型的异常家具布局数据检测装置结构示意图；

图2是另一个实施例的基于GAN模型的异常家具布局数据检测装置结构示意图；

图3为一个实施例的计算机设备示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

在一个实施例中，如图1所示，提供了一种基于GAN模型的异常家具布局数据检测方法，包括以下步骤：

S2，设计训练数据集中一个训练数据对应的异常数据类型表T_abnormal。

上述训练数据集为包括多个正常家具布局数据的家具布局数据集；其中一个正常家具布局数据为一个训练数据。

具体地，上述步骤可以针对训练数据集中一个训练数据设计一张异常数据类型表T_abnormal。随机生成一个n维向量z，z所服从的分布是均匀分布也可以是正态分布。通过设计，将向量z的一部分映射到T_abnormal。记映射函数f(·)：

t_abnormal＝f(z)。

S3，构建异常数据生成器G(.)，将异常数据类型表T_abnormal的映射向量划分为异常类型部分和非异常类型部分(即向量z的剩余部分)。

异常数据生成器G(.)的输入可以包括异常类型t_abnormal、向量z的剩余部分、一份正常的家具布局数据。

在一个实施例中，构建异常数据生成器G(.)包括：

采用反卷积结构构建异常数据生成器G(.)；构建异常数据生成器G(.)的构建过程包括：

G(.)＝Tranpose_CNN(.)，

其中，Tranpose_CNN(.)表示反卷积结构。

S4，将异常类型部分、非异常类型部分和预设的常规家具布局数据输入所述异常数据生成器G(.)，使异常数据生成器G(.)输出一个尺寸与训练数据集中的训练据一样的矩阵I_gen。

上述常规家具布局数据为一份正常的家具布局数据。

将异常类型部分、非异常类型部分和预设的常规家具布局数据传入S3构建的异常数据生成器G(.)中，输出一个尺寸和正常数据集中的图片(即训练数据)一样的矩阵I_gen，并且是含有类型t_abnormal异常的数据。过程式如下：

I_gen＝G(z)。

S5，构建对抗器D(.)，采用对抗器D(.)计算矩阵I_gen的对抗分数P_gen，根据对抗分数P_gen分别确定生成器损失函数L_G和分类器损失函数L_C。

在一个实施例中，构建对抗器D(.)包括：

采用卷积结构构建对抗器D(.)；构建对抗器D(.)的过程包括：

D(.)＝CNN(.)，

其中，CNN(.)表示卷积结构。

具体地，计算生成结果的对抗分数P_gen，过程式如下：

P_gen＝D(I_gen)。

上述生成结果的对抗分数P_gen包括两部分，一部分是对抗器的是否异常输出，另一部分是对抗器异常分类输出。

具体地，计算生成器损失函数L_G，采用交叉熵形式，过程式如下：

L_G＝-log(P_gen)。

具体地，计算分类器损失函数L_C；采用交叉熵形式，过程式如下：

L_C＝-∑log(P_gen)。

S6，从训练数据集中随机取出一张图I_real，传入对抗器D(.)中，计算出该图的特定对抗分数P_real，根据特定对抗分数P_real确定特定损失函数。

从预先准备的正常家具布局数据集(即训练数据集)中随机取出一张图I_real，传入对抗器D(.)中，计算出真实图片的特定对抗分数P_real，过程式如下：

P_real＝D(I_real)。

相应的特定损失函数可以为：-log(P_real)。

S7，根据生成器损失函数L_G和特定损失函数确定对抗器损失函数L_D，根据对抗器损失函数L_D和分类器损失函数L_C确定对抗器兼分类器的总损失函数L_{D_C}。

具体地，计算对抗器损失函数L_D，可以采用Wasserstein形式，过程式如下：

L_D＝log(P_gen)-log(P_real)。

上述对抗器损失函数L_D，包括两部分，一部分是辨真错误产生的损失，另一种是异常类型的分类错误产生的损失。

综合对抗器损失函数L_D和分类器损失函数L_C，得到对抗器兼分类器的总损失函数，计算过程式如下：

L_{D_C}＝L_D+L_C。

S8，采用Adam优化器，基于生成器损失函数L_G，更新生成器模型权重；基于总损失函数L_{D_C}，更新对抗器兼分类器模型的权重。

具体地，上述步骤可以在生成器损失函数L_G取到最小值时，依据当前的模型参数确定生成器模型权重，已实现生成器模型权重的更新。在总损失函数L_{D_C}取到最小值时，依据当前的模型参数确定对抗器兼分类器模型的权重，已实现对抗器兼分类器模型的权重的更新。

S9，针对训练数据集的其他各个训练数据分别执行步骤S2至S8，以使GAN模型相对于训练数据集的各个训练数据的生成器损失函数L_G和总损失函数L_{D_C}均达到设定标准；所述GAN模型包括生成器模型和对抗器兼分类器模型。

步骤S2至S8是对训练数据集中单个正常数据的利用过程，实际训练时可以多个数据组成一个批次，多批次循环执行上述步骤S2至S8，直到GAN模型相对于训练数据集的各个训练数据的生成器损失函数L_G和总损失函数L_{D_C}均达到设定标准，对抗器兼分类器输出满意的结果，以此确定GAN模型，使所得到的的GAN模型可以直接用于异常家具布局数据的检测。

上述基于GAN模型的异常家具布局数据检测方法，通过设计训练数据集中一个训练数据对应的异常数据类型表T_abnormal，构建异常数据生成器G(.)，将异常数据类型表T_abnormal的映射向量划分为异常类型部分和非异常类型部分，将异常类型部分、非异常类型部分和预设的常规家具布局数据输入所述异常数据生成器G(.)，使异常数据生成器G(.)输出一个尺寸与训练数据集中的训练据一样的矩阵I_gen，构建对抗器D(.)，采用对抗器D(.)计算矩阵I_gen的对抗分数P_gen，根据对抗分数P_gen分别确定生成器损失函数L_G和分类器损失函数L_C，从训练数据集中随机取出一张图I_real，传入对抗器D(.)中，计算出该图的特定对抗分数P_real，根据特定对抗分数P_real确定特定损失函数，根据生成器损失函数L_G和特定损失函数确定对抗器损失函数L_D，根据对抗器损失函数L_D和分类器损失函数L_C确定对抗器兼分类器的总损失函数L_{D_C}，采用Adam优化器，基于生成器损失函数L_G，更新生成器模型权重；基于总损失函数L_{D_C}，更新对抗器兼分类器模型的权重，针对训练数据集的其他各个训练数据分别执行步骤S2至S8，以使GAN模型相对于训练数据集的各个训练数据的生成器损失函数L_G和总损失函数L_{D_C}均达到设定标准，以依据所确定的GAN模型进行异常家具布局数据检测，其中首先保证原始的数据真实且无异常，然后人为或然地构造异常数据，设计生成器损失函数，使得生成器的参数朝向生成真实的指定异常数据这个方向调整，同时设计对抗器输出节点以及损失函数，使得对抗器在单一特征提取器的前提下，既有真实与否的分类节点，又有异常类型的分类节点，这一GAN模型既能检测出微小异常数据，又能区分数据异常的类型，可以实现提高相应检测精度的目的。

在一个实施例中，上述基于GAN模型的异常家具布局数据检测方法，还包括：

S10，采用GAN模型检测待测家具布局数据中的异常数据。

本实施例可以利用S9中训练好的对抗器兼分类器，对待测家具布局数据进行检测。

具体地，采用GAN模型进行异常数据检测的过程包括：

将待测家具布局数据，即一张含有家具布局信息的户型平面图输入到S9训练得到的对抗器兼分类器中。对抗器兼分类器输出一个对抗系数和一个异常类别。若对抗系数大于判定阈值(一般设0.5)则判定输入数据为异常数据。然后根据输出的异常类别，判定数据所属的异常类别。

本实施例既能检测出微小异常数据，又能区分数据异常的类型。

在一个实施例中，步骤S2之前还包括：

S1，构建包括多个家具布局数据的训练数据集，对所述训练数据集进行清洗，以使清洗后的训练数据集中无异常数据。

本实施例可以准备包括多个家具布局数据的家具布局数据集，以确定训练数据集，加以清洗，保证清洗后无异常数据。

在一个实施例中，

P_gen＝D(I_gen)，

L_G＝-log(P_gen)，

P_real＝D(I_real)，

其中，P_gen表示算矩阵I_gen的对抗分数，L_G表示生成器损失函数，I_real表示从训练数据集中随机取出的一张图，P_real表示特定对抗分数。

在一个实施例中，

L_D＝log(P_gen)-log(P_real)，

L_C＝-∑log(P_gen)，

L_{D_C}＝L_D+L_C，

其中，P_gen表示算矩阵I_gen的对抗分数，P_real表示特定对抗分数，L_D表示对抗器损失函数，L_C表示分类器损失函数，L_{D_C}表示于总损失函数。

在一个实施例中，上述基于GAN模型的异常家具布局数据检测方法也可以参考图2所示，在GAN模型(生成对抗网络模型)中，存在两个相互博弈的模型，一个是生成器(generator)，一个是对抗器(discriminator)。简记生成器为函数G(.)，对抗器为函数D(.)。

具体实施的时候，可以选用tensorflow机器学习平台进行算法开发。

上述基于GAN模型的异常家具布局数据检测方法也可以通过如下过程实现：

1.准备数据

准备一份家具布局数据，每一张图片表示一种布局方案。并通过图形处理的方式，按各种指定的类型，构造异常数据。

2.定义tensorflow计算图，

以下代码的关键步骤都作了注释。本实施例的创新点在于生成器不是单纯地生成真实数据，而是生成真实的异常数据。这和CGAN不同，CGAN以及相类似的模型是生成某种类型的真实数据，在数据分布上，真实数据中是包含这种类型的。本发明让生成器生成的是真实的异常数据。异常数据本身是构造的，不在真实数据范围内。对抗器的在接收人为构造的异常数据时，标签为0，这点与CGAN也是本质区别。

在一个示例中，定义输入节点可以通过如下代码实现：

在一个示例中，定义异常类型映射器可以通过如下代码实现：

在一个示例中，定义生成器可以通过如下代码实现：

在一个示例中，定义对抗器(对抗器在输出真实与否的预测，同时输出异常类型)可以通过如下代码实现：

在一个示例中，超参配置如下：

真实图像的大小：img_size＝train_images[0].shape[0]

传入给generator的噪声大小：noise_size＝100

生成器隐层参数：g_units＝128

判别器隐层参数：d_units＝128

leaky ReLU的参数：alpha＝0.01

学习率：learning_rate＝0.001

在一个示例中，定义对抗器的损失(辨真损失和分类损失)包括：

识别真实图片的损失：

识别生成的图片的损失：

分类真实异常图片的损失：

分类生成异常图片的损失：

总体对抗器损失：

d_loss＝tf.add(d_loss_real,d_loss_fake，c_loss_real,c_loss_fake)

定义生成器的损失(生成器的参数优化方向是生成既真实又异常的数据)：

3.定义优化器

对抗器的优化器：

d_train_opt＝tf.train.AdamOptimizer(learning_rate).minimize(d_loss,var_list＝d_vars)

生成器的优化器：

g_train_opt＝tf.train.AdamOptimizer(learning_rate).minimize(g_loss,var_list＝g_vars)

4.训练

按tensorflow语法进行训练。

具体地，在对家具布局数据进行数据清洗时，我们对比实验了三种方法：假设检验、一般GAN、本发明GAN。实验中，我们采集了验证通过的1000个异常数据，个别数据异常程度很低。实验结果如下：

实验表明，一般GAN在异常家具数据检测上并不比假设检验效果好，但若按本发明方法改造GAN，则性能可以得到大幅提升。

本实施例的创新点在于生成器不是单纯地生成真实数据，而是生成真实的异常数据。这和CGAN不同，CGAN以及相类似的模型是生成某种类型的真实数据，在数据分布上，真实数据中是包含这种类型的。本发明让生成器生成的是真实的异常数据。异常数据本身是构造的，不在真实数据范围内。对抗器的在接收人为构造的异常数据时，标签为0，这点与CGAN也是本质区别。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于GAN模型的异常家具布局数据检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

基于如上所述的示例，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现如上述各实施例中的任意一种基于GAN模型的异常家具布局数据检测方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性的计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述基于GAN模型的异常家具布局数据检测方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

据此，在一个实施例中还提供一种计算机存储介质计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述各实施例中的任意一种基于GAN模型的异常家具布局数据检测方法。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

本申请实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于GAN模型的异常家具布局数据检测方法，其特征在于，包括如下步骤：

S2，设计训练数据集中一个训练数据对应的异常数据类型表T_abnormal；

S3，构建异常数据生成器G(.)，将异常数据类型表T_abnormal的映射向量划分为异常类型部分和非异常类型部分；

S4，将异常类型部分、非异常类型部分和预设的常规家具布局数据输入所述异常数据生成器G(.)，使异常数据生成器G(.)输出一个尺寸与训练数据集中的训练据一样的矩阵I_gen；

S5，构建对抗器D(.)，采用对抗器D(.)计算矩阵I_gen的对抗分数P_gen，根据对抗分数P_gen分别确定生成器损失函数L_G和分类器损失函数L_C；

S6，从训练数据集中随机取出一张图I_real，传入对抗器D(.)中，计算出该图的特定对抗分数P_real，根据特定对抗分数P_real确定特定损失函数；

S7，根据生成器损失函数L_G和特定损失函数确定对抗器损失函数L_D，根据对抗器损失函数L_D和分类器损失函数L_C确定对抗器兼分类器的总损失函数L_{D_C}；

S8，采用Adam优化器，基于生成器损失函数L_G，更新生成器模型权重；基于总损失函数L_{D_C}，更新对抗器兼分类器模型的权重；

S9，针对训练数据集的其他各个训练数据分别执行步骤S2至S8，以使GAN模型相对于训练数据集的各个训练数据的生成器损失函数L_G和总损失函数L_{D_C}均达到设定标准；所述GAN模型包括生成器模型和对抗器兼分类器模型。

2.根据权利要求1所述的基于GAN模型的异常家具布局数据检测方法，其特征在于，在一个实施方式中，还包括：

S10，采用GAN模型检测待测家具布局数据中的异常数据。

3.根据权利要求1所述的基于GAN模型的异常家具布局数据检测方法，其特征在于，在一个实施方式中，步骤S2之前还包括：

S1，构建包括多个家具布局数据的训练数据集，对所述训练数据集进行清洗，以使清洗后的训练数据集中无异常数据。

4.根据权利要求1所述的基于GAN模型的异常家具布局数据检测方法，其特征在于，在一个实施方式中，步骤S3之前还包括：

随机生成一个n维向量z，将向量z的一部分映射到T_abnormal，作为异常数据类型表T_abnormal的映射向量，记映射函数f(·)；其中，T_abnormal＝f(z)。

5.根据权利要求1所述的基于GAN模型的异常家具布局数据检测方法，其特征在于，在一个实施方式中，构建异常数据生成器G(.)包括：

采用反卷积结构构建异常数据生成器G(.)；构建异常数据生成器G(.)的构建过程包括：

G(.)＝Tranpose_CNN(.)，

其中，Tranpose_CNN(.)表示反卷积结构。

6.根据权利要求1所述的基于GAN模型的异常家具布局数据检测方法，其特征在于，在一个实施方式中，构建对抗器D(.)包括：

采用卷积结构构建对抗器D(.)；构建对抗器D(.)的过程包括：

D(.)＝CNN(.)，

其中，CNN(.)表示卷积结构。

7.根据权利要求1所述的基于GAN模型的异常家具布局数据检测方法，其特征在于，在一个实施方式中，

P_gen＝D(I_gen)，

L_G＝-log(P_gen)，

P_real＝D(I_real)，

其中，P_gen表示算矩阵I_gen的对抗分数，L_G表示生成器损失函数，I_real表示从训练数据集中随机取出的一张图，P_real表示特定对抗分数。

8.根据权利要求1所述的基于GAN模型的异常家具布局数据检测方法，其特征在于，在一个实施方式中，

L_D＝log(P_gen)-log(P_real)，

L_C＝-∑log(P_gen)，

L_DC＝L_D+L_C，

其中，P_gen表示算矩阵I_gen的对抗分数，P_real表示特定对抗分数，L_D表示对抗器损失函数，L_C表示分类器损失函数，L_{D_C}表示于总损失函数。

Images