利用tensroflow2构建简单的gan模型来生成振动信号_gan 振动数据

0. 生成对抗网络与生成器、判别器

近年来，深度学习在很多领域的都取得了突破性进展，但大家似乎发现了这样的一个现实，即深度学习取得突破性进展的工作基本都是判别模型相关的。2014 年 Goodfellow 等人启发自博弈论中的二人零和博 弈 ，开创性地提出了生成对抗网络 （GAN）。生成对抗网络包含一个生成模型和一个判别模型。其中，生成模型负责捕捉样本数据的分布，而判别模型一般情况下是一个二分类器，判别输入是真实数据还是生成的样本。这个模型的优化过程是一个“二元极小极大博弈”问题 ，训练时固定其中一方（判别网络或生成网络），更新另一个模型的参数，交替迭代，最终，生成模型能够估测出样本数据的分布。生成对抗网络的出现对无监督学习，图片生成的研究起到极大的促进作用。生成对抗网络已经从最初的图片生成，被拓展到计算机视觉的各个领域，如图像分割、视频预测、风格迁移等。判别器比较真实标签和生成伪造标签的差异，并给出最终的判定结果。
在智能故障诊断领域，由于故障数据的稀缺性，导致需要根据数据的稀疏特性，生成数据，因而产生了基于GAN网络的故障数据增强算法。

生成器网络能够根据分布差异度量损失，逐步优化模型，使得模型能够生成类似真实标签数据的伪数据