Professional Documents
Culture Documents
2020年4月23日接收,2020年4月28日接受,出版日期2020年5月6日,目前版本日期2020年5月20日。
數位物件識別碼 10.1109/ACCESS.2020.2991767
基於深度學習的假設生成
虛擬中文模型及其應用
書法書寫機器人
王偉彥,(IEEE 院士),許敏傑,餘麗安,錢義興,
和許振建 , (IEEE 高級會員)
國立台灣師範大學電機工程系,台灣台北 106
通訊作者: 徐振建 (jhsu@ntnu.edu.tw)
摘要近年來,人們投入了大量的精力來模擬人腦的認知,特別是假設生成過程。大多數假設生成模型的研究都是基於機率的。然而,人腦的計算仍然是基於
神經元的,而不是計算機率。作為本文解決此問題的嘗試,我們提出了一種新穎的基於神經元的假設生成模型,稱為假設生成網絡,來模擬人類認知,包括
如何做出決策和如何採取行動。基本上,所提出的假設生成模型由兩部分組成,即假設模型和評估模型。當這兩個模型相互作用時,系統能夠根據歷史經驗
產生假設來解決複雜的任務。為了驗證所提出的假設生成模型的可行性,我們展示了一個具有認知系統的虛擬機器人可以在模擬環境中學習如何書寫中國
書法,其中提出了透過認知框架進行影像到動作的翻譯來學習該模式的漢字。基於所提出的深度思考和學習機制,虛擬機器人透過根據人類書寫樣本進行
思考和練習,能夠寫好中國書法,這是一項需要極其複雜動作的艱鉅任務。
索引術語假設生成模型、深度神經網路、中國書法、圖像到動作的翻譯。
在假設生成結構中,決策者需要世界的實際狀態,以便在當前狀態錯誤時修正行為。據
作者所知,大多數研究假設生成模型的研究都是基於機率的。即根據歷史經驗計算後驗
分佈以做出新的推論[2]。然而,人腦的計算仍然是基於神經元的,而不是計算
副主編負責協調本稿件的審查和
批准出版的是 Aysegul Ucar。
以及語音合成或影像翻譯[9]、[10]。自動編碼器(AE)
[11]、[12]是一種自動學習和提取特徵的 類書寫樣本中產生毛筆的滾動、俯仰和偏航座標是困難的。鑑於上述困難,因此我們的目標是透
無監督學習神經網路。 AE的隱藏層由編碼器和解碼器兩部分組成。編碼器的目的是將輸入壓縮 過模擬環境將所提出的基於神經元的假設生成模型應用到虛擬機器人系統中,使虛擬機器人及
為一組潛在向量。然後,這些潛在向量可以由解碼器處理以重建輸入。 其認知系統可以透過以下方式學習和思考如何寫好漢字:練習。
傳統的AE通常用於降維或特徵提取。近年來,AE在影像生成中得到了廣泛的應用,包括轉換圖
片顏色、去除浮水印、影像去噪等。因此,出現了各種類型的自動編碼器研究,例如變分自動編
碼器[13]、去噪自動編碼器[14]、稀疏自動編碼器[15]等。無監督學習中的另一種相關方法是產
生對抗網路(GAN)
[16]–[18],它利用鑑別器模型將輸出影像分類為“真實”
或“假”,並利用
生成器模型產生“假”
影像,鑑別器模型無法將其與“真實”
影像區分開。
本文的其餘部分安排如下。第二節討論相關工作。第 3 節介紹了所提出的假設生成模型。
在第四節中,我們將假設生成模型應用於虛擬機器人書法書寫系統。模擬結果如第 5 節所示,
以驗證所提出方法的性能。結論在第 6 節中得出。
統來模擬假設生成過程,深度神經網路的每個神經元都很重要。透過連結多個神經元,我們可
以建構一個模擬人腦結構的系統,以實現推理和判斷的功能。如果沒有假設生成過程,系統就
無法理解周圍環境並自行學習。因此,利用深度神經網路來實現假設生成過程,以模擬人類完成
不同類型任務的心理學習過程。
為了驗證所提出的假設生成模型的可行性,我們展示了一個具有認知系統的虛擬機器人可
以透過人類書寫樣本的思考和練習來學習如何在模擬環境中書寫中國書法。中國書法書寫被認
為是一項艱鉅的任務,需要極其複雜的動作[22]‑[25],重點是改變毛筆的速度、壓力、力度、方
向和角度[26]來書寫美學書法。對於設計者來說,分析不同風格的漢字的筆畫是很複雜的。
在假設生成模型中,大多數研究顯示人類所做的假設接近貝葉斯模型[1]、[21]、[32]、
[33],其中推理來自假設生成和評估:
P (d|h) P (h)
因此,寫好漢字需要深厚的功力。重按或輕按毛筆會使漢字的筆畫分別變粗或變細。此外,操 P (h|d) = 。 (1)
P (d|h ) P (h )
作刷子的轉動角度和時機也很重要。有鑑於這些挑戰,已有研究重點關注中國書法書寫機器人
h ∈H
的開發[22]‑[31]。
87244 2020 年第 8 卷
Machine Translated by Google
W.‑Y。 Wang等:基於深度學習的假設生成模型及其應用
為了解決後驗機率的近似問題,同時減少來自不完全假設的偏差,馬可夫鏈蒙特卡羅(MCMC) 三.假設生成模型為了描述所提出的基於神經元的假設生成模
方法可以幫助將後驗機率近似為(2) : 型,我們利用虛擬機器人系統作為應用程式來更好地說明推導過程。透過神經網路實現假設
生成過程,我們可以建立機器人系統的認知模型,以根據歷史經驗做出假設。基於假設生成
模型,虛擬機器人可以學習如何書寫中國書法。我們沒有使用自上而下的策略來學習書寫中
國書法,而是使用自下而上的策略來建立認知架構來透過神經網路學習。
氮
1
PN (h|d) = f (hn = h) (2)
n
n=1
圖2說明了所提出的應用於機器人系統的假設生成模型的架構,該模型由兩部分組成,即
然而,人腦中的計算單元是神經元。 假設模型和評估模型。假設模型根據DNN1中儲存的過去經驗做出假設來解決問題。評估模
也就是說,決定、記憶和感知都來自中樞神經系統。儘管許多研究支持 MCMC 也可以用神經 型的作用是對假設進行判斷。虛擬機器人觀察到的結果儲存在DNN2中,以便虛擬機器人將
科學解釋為皮質迴路,但人類的假設生成可以被視為一個複雜的神經網路。事實上,所有的 來可以回憶該結果和歷史經驗,透過判斷DNN1先前的假設來幫助DNN1做出新的假設。
假設都來自於人腦的神經計算。
AE是無監督學習的一種,由Zhu等人先提出。 [10]。此方法用於透過編碼器將輸入壓縮
為潛在向量。此潛在向量通常代表資料的重要部分。
編碼器還具有非線性維度功能
減少。之後,解碼器利用潛在向量來重建輸入資料。比較輸入和輸出,我們根據損失函數(自
動編碼器示意圖)
學習編碼器和解碼器的權重。
我 2
=1 (xi - xi) /n。圖1所示
圖 2.所提出的假設生成模型的架構。
例如,當我們需要虛擬機器人拾取瓶子時,假設模型會產生一個動作向量作為控制馬達的
角度。然後,我們關閉開關 s1,以便虛擬機器人可以執行從 DNN1 接收到的動作向量。然
後,評估模型透過關閉開關 s2 將結果和假設儲存在 DNN2 中。
如果觀測向量Ot不是“挑瓶子”,則假設模型需要根據歷史經驗做出新的假設。為了做出新
Ng [15] 介紹了 GAN,它是一種深度神經網路架構,用於透過對抗過程訓練生成模型。 的假設,我們透過關閉開關 s3 連接 DNN1,從而做出下一個假設。 DNN2 儲存歷史經驗,
GAN 由兩個網路組成,即生成器網路G和鑑別器網路D。生成器G從先驗雜訊分佈產生樣本,鑑 幫助計算向量mt和預期觀測向量O的誤差梯度,以僅更新 DNN1。這種更新規律類似於
別器D被訓練以區分樣本來自真實資料分佈還是生成器分佈。然後透過最小化log(1-D(G(z))) GAN 的生成器更新,但這種架構代表了各種機器人系統的通用形式。透過幾次迭代,我們根
來訓練生成器與判別器D競爭,使得判別器無法區分樣本是真實資料還是產生器的資料。 據最佳化標準 min( O - mt ) 儲存最佳假設。請注意,我們不需要知道動作向量之間的關
係
*
t
*
t
2020 年第 8 卷 87245
Machine Translated by Google
W.‑Y。 Wang等:基於深度學習的假設生成模型及其應用
以及「拿起瓶子」
的任務,因為虛擬機器人會自己思考和學習這個概念。 和傾斜θ,分別是毛筆的。無花果。圖3(c)和圖3(d)顯示了在模擬環境中毛筆根據座標X、
Y 、 Z、θθ書寫字元的示意圖。
,
四.基於假設生成模型的虛擬機器人書法書寫系統控制A. 帶有假設生成網絡的書法
書寫機器人
B.書法網路模型
機器人書法書寫系統的假設生成模型的架構如圖4所示。首先,我們利用快速細
如果座標沒有預先安排好,中國書法對機器人來說是一個巨大的挑戰。即使有了 化演算法[35]從人類書寫樣本中擷取漢字筆畫資料。接下來,我們根據筆畫的軌
電腦視覺,計算機器人書寫漢字的6軸座標[x、 y、z、 roll、 pitch、 yaw]仍 跡將原始影像分割成多個感興趣區域(ROI)
影像。選擇 ROI 影像的數量作為骨
然很困難。我們透過圖像處理知道了二維座標[x, y]與中國書法圖像之間的關 架點的數量。書寫過程中對應[X, Y ]的每個ROI由筆畫的座標給出。
係,但其他座標[z, roll, pitch, yaw]仍然很難設計。因此,實現所提出的
假設生成模型具有重要意義,以便虛擬機器人能夠思考和學習如何弄清楚書寫中
國書法的方法。為了避免在真實環境中學習書寫中國書法的耗時過程,我們利用
我們開發的圖3所示的虛擬機器人系統[34]來模擬毛筆書寫的過程。
,
另一方面, ROI影像對應的每個座標Z、θθ可以透過訓練Writer Net而得到。
利用座標[X, Y ]和Z、θθ,可以透過虛擬機器人系統觀察書寫結果。, ,
然後,我們透過虛擬機器人編寫的模擬影像來訓練估計網絡,以記憶和識別虛擬
機器人系統的結果。接下來,我們將Writer Net和Estimator Net連接起來作為
假設生成網絡,並鎖定Estimator Net來訓練Writer Net ,以最小化原始圖像和
Estimator Net 儲存的圖像之間的損失。學習過程透過在用於優化Writer Net
的k1 次迭代和用於優化Estimator Net 的k2 次迭代之間交替進行而繼續。不斷
優化這種訓練模式,直到模擬影像變得非常接近原始影像,顯示機器人系統有能
力做出更好的動作。透過Estimator Net和Writer Net之間的交互,它們同時完
成假設生成過程。
圖 3.虛擬機器人系統 [34] 顯示毛筆的姿勢。 (a) 旋轉角度θ。 (b) 傾斜角θ。 (c)毛筆寫字示意圖。 (d) -S(W(R(C(I)x,y))))2 (3)
畫筆的局部放大。
本文書寫漢字,採用5軸簡化形式X, Y , Z,θθ,不帶旋轉軸,而不是採用6軸[x,
y, z, roll, pitch, yaw]形式,是uti ‑lized 描述笛卡爾座標[34]、
, 毛筆的旋轉角度
和傾斜角度。這是因為書寫中國書法時毛筆很少旋轉。向量[X, Y ]表示笛卡爾
座標, [Z]表示表示漢字粗細的縱軸座標。向量θ控制著毛筆的旋轉和傾斜,這對
中國書法的美觀與否有很大的影響。
,θ
圖 4.機器人書法書寫系統的假設生成模型方案。
無花果。圖3(a)和3(b)顯示了旋轉θ的示意圖
87246 2020 年第 8 卷
Machine Translated by Google
W.‑Y。 Wang等:基於深度學習的假設生成模型及其應用
-R(C(I)x,y))2 (4)
2020 年第 8 卷 87247
Machine Translated by Google
W.‑Y。 Wang等:基於深度學習的假設生成模型及其應用
表 2.提議的估計器網路的詳細架構。
將特徵提取到400個節點的最終輸出中,透過重塑輸出來獲得20×20的影像。
Xeon CPU E3‑1246 v6 和 32GB 記憶體的 NVIDIA GeForce GTX 1080 Ti 上進行了實驗。為了
避免花太多時間訓練機械手臂書寫中國書法,我們為虛擬機器人建構如圖6所示的機器人模擬環
境來模擬中國書法書寫的過程[34],[36]。如圖6所示,左邊的圖片框「輸入圖片」
顯示了人寫的漢
字的筆畫。中間圖片框「紙」
展示了虛擬漢字書法書寫機器人的書寫結果。圖片框「角度」
顯示畫筆
圖 7.寫八筆畫的訓練過程圖。 (a) 人類書寫的理想圖像。 (b) 作家網的寫作結果。 (c)
的目前狀態。目前的5軸座標也顯示在圖6的右側。除了InputPicture之外,當模擬環境接收到 估計器所建立的影像。
Writer Net的輸出時,所有其他框都會同時更新狀態。網路攝影機擷取的中國書法筆畫影像的大
小為 200 × 200。然後我們將影像轉換為灰階影像作為輸入。
圖7(b)
所示的影像是由預測座標的Writer Net繪製的。透過模擬系統, Writer Net模擬
出機械手臂可以繪製的類似影像。圖 7(c) 顯示了根據 Writer Net 提供的座標來自
Estimator Net的影像。一開始, Estimator Net會根據與 Writer Net 相差很大的座標產
生影像。漸漸地,估算器網的結果越來越類似作家網寫的漢字「十」。因此, Writer Net
產生的座標變得越來越接近理想目標,這個過程模擬了人類的學習過程。
首先,人類會根據學習任務生成行為,就像作家網路所做的一樣。其次,作家網試圖模仿
人類的寫作。接下來,將結果儲存在記憶體中。然後,作家網與
圖 6.機器人模擬環境。
87248 2020 年第 8 卷
Machine Translated by Google
W.‑Y。 Wang等:基於深度學習的假設生成模型及其應用
估計器網路來分析這種行為,類似於假設生成網路的作用。下一次,在做同樣的動作
時,人類會檢索上一次的經驗並做出更好的動作。
將一些筆畫組合起來,就可以形成一個完整的漢字。漢字「勇」
( )的書寫結果如圖 1 和 2
所示。 8(b)‑8(e)。根據這些筆畫,四個漢字,即永(,意思是永久)
圖 10.第八次沖程的損耗曲線。
未來,我們計畫研究記憶系統,讓假設生成網路對重要經驗有更深的印象,進而提高
中國書法的書寫成績。
六.結論本文提出了一種
新的假設生成模型,用於虛擬機器人系統透過根據人類書寫樣本進行思考和練習來
學習書寫中國書法。所提出的模型有三個主要部分,即編寫器網路、估計器網路和假
設生成網路。
圖 8.漢字「勇」
的書寫 ( )。 (a) 人類書寫樣本「勇」的圖像 ( )。 (b) 第一代書寫「勇」。 (c)
第50代書寫「勇」。 (d) 第 100 代書寫「勇」。 (e) 寫出「勇」 的最佳結果。
這三個模型代表了人類的行動、記憶儲存和判斷。透過模擬人類的心理過程,假設
生成網具有自行思考和實現某些行動的能力。在我們的實驗中,我們設計了一個11
層的Writer Net和一個 14 層的Estimator Net 。假設生成網路的輸出是虛擬機器人
的一系列座標。因此,這種認知框架能夠完成無監督的圖像到動作的翻譯。本文證明
的模擬結果證實了所提出的假設生成模型學習如何書寫中國書法的有效性和可行性。
致謝作者要感謝國家高效能運
圖 9.四個漢字。 (a) 人類書寫樣本「勇」 的圖像 ( )。 (b) “tsun”
的人類書寫樣本圖像 ( )。 (c) 算中心為進行這項研究提供的電腦時間和設施。
人類書寫樣本「da」 的圖像 ( )。 (d) 「江」的人類書寫樣本圖 ( )。 (e) yong ( ) 的模擬結
果。 (f)「tsun」
的模擬結果( )。 (g) da ( ) 的模擬結果。 (h)「江」 的模擬結果( )。
參考
備註1:在如圖所示的訓練過程中。從圖7和圖8可以看出,在第100代,「勇」
的書 [1] I. Dasgupta、E. Schulz 和 SJ Gershman,“假設從何而來”, Cognit。心理學,卷。
寫存在一些變化。訓練過程可能會矯枉過正,因為如果模型長時間無法回憶起過去 96,第 1‑25 頁,2017 年 8 月。
[2] TL Griffiths 和 JB Tenenbaum,“日常認知中的最佳預測”, Psychol。科學,卷。 17、
的經歷,估計網路可能會忘記一些過去的資訊。然後,作家網絡根據忘記過去行為的
沒有。 9,第 767–773 頁,2006 年 9 月。
估計網絡做出新的假設。也就是說,作家網有時會因為忘記記憶而犯下同樣的錯誤。 [3] A. Krizhevsky、I. Sutskever 和 GE Hinton,“使用深度卷積神經網路進行 ImageNet 分
例如,圖10中訓練過程中第八次划水的損失曲線就顯示出不期望的振盪現象。在裡面 類”, Proc 中。 26 週年。會議。
神經訊息。過程。系統。 (NIPS), 2012 年 12 月,第 1‑9 頁。
[4] K.He,X.Zhang,S.Ren,J.Sun,“圖像識別的深度殘差學習”, Proc. IEEE 會議計算。維
斯。模式識別。 (CVPR), 2016 年 6 月,第 770–778 頁。
2020 年第 8 卷 87249
Machine Translated by Google
W.‑Y。 Wang等:基於深度學習的假設生成模型及其應用
[6] K. Simonyan 和 A. Zisserman,“用於大規模圖像識別的非常深的捲積網絡”, Proc.國際。會 [30] Y. Sun、H. Qiu 和 Y. Xu,“機器人透過示範學習中國書法”,載於Proc. IEEE/RSJ 國際。會議。
議。學習。陳述, 2015 年 5 月,第 1‑14 頁。 英特爾。機器人系統, 2014 年 9 月,第 4408–4413 頁。
[7] M.‑J。許,Y.‑H。錢,W.‑Y。王,和C.‑C。 Hsu,“使用小型訓練資料庫進行物件分類的捲積模糊神經 [31] X. 張,Y. 李,Z. 張,K. Konno,和 S. Hu,“機器人書寫的手寫漢字的智能漢字書法美化”, Vis。
網路架構”, Int。 J.模糊系統,卷。 22、沒有。 1,第 1‑10 頁,2020 年 2 月。 計算機,卷。 35,沒有。 6–8,第 1193–1205 頁,2019 年 6 月。
[8] S. Ren、K. He、R. Girshick 和 J. Sun,“Faster R‑CNN:通過區域提議網絡實現實時對象檢 [32] MC Frank 和 ND Goodman,“預測語言遊戲中的實用推理”,《科學》,卷。 336,沒有。
測”, IEEE Trans。模式肛門。馬赫。智力,卷。 39,沒有。 6,第 1137–1149 頁,2017 年 6 6084,p。 998,2012 年 5 月。
月。 [33] FH Petzschner、S. Glasauer 和 KE Stephan,“震級估計的貝葉斯視角”, Trends Cognit。科
[9] M.‑Y。 Liu、T. Breuel 和 J. Kautz,“無監督圖像到圖像翻譯網絡”, Proc 中。 26 週年。會 學,卷。 19、沒有。 5,第 285–293 頁,2015 年 5 月。
議。神經訊息。過程。系統。 (NIPS), 2017 年 12 月,第 1‑9 頁。
[34] Y.‑H。錢,M.‑J。許,L.‑A。於,W.‑Y。王,和C.‑C。 Hsu,“使用類 Delta 機器人操縱器和虛擬毛筆
[10] J.‑Y。 Zhu、T. Park、P. Isola 和 AA Efros,“使用循環一致對抗網絡進行不配對的圖像到圖像翻 模型的機器人書法系統”, iRobotics,第。 2、沒有。 4,第 1‑6 頁,2019 年 12 月。
譯”,Proc . IEEE 國際。
會議。計算。維斯。 (ICCV), 2017 年 10 月,第 2223–2232 頁。 [35] TY 張和 CY Suen,“一種細化數字模式的快速並行演算法”, Commun。 ACM,卷。 27、沒
[11] DH Ballard,“神經網路中的模組化學習”, Proc。全國第六名 有。 3,第 236–239 頁,1984 年 3 月。
會議。阿蒂夫。英特爾。 (AAAI), 1987 年 7 月,第 279–284 頁。 [36] C.‑Y。鄒,M.‑J。許,J.‑Z。簡,Y.‑H。錢,W.‑Y。王,和C.‑C。 Hsu,“具有 Delta 結構的串並行機器
[12] J. Schmidhuber,“神經網路中的深度學習:概述”, Neural 人的數學分析和實際應用”, Int。 J. 工程。資源。科學,卷。 2、沒有。 5,第 80‑91 頁,2016
網絡,卷。 61,第 85‑117 頁,2015 年 1 月。 年 5 月。
[13] DP Kingma 和 M. Welling,“自動編碼變分貝葉斯”, Proc.
國際。會議。學習。陳述 (ICLR), 2014 年 5 月,第 1‑14 頁。 [37] T. Tieleman 和 G. Hinton,“講座 6.5‑RmsProp:將梯度除以其最近幅度的運行平均值”,
[14] P. Vincent、H. Larochelle、I. Lajoie、Y. Bengio 與 P.‑A. Manzagol,“堆疊式去噪自動編碼器:在深度網絡中使用本 COURSERA,神經網絡。
地學習有用的表示”, J. Mach。學習。研究,卷。 11,第 3371–3408 頁,2010 年 12 月。 馬赫。學習。,卷。 4、沒有。 2,第 26‑31 頁,2012 年 10 月。
[16] IJ Goodfellow、J. Pouget‑Abadie、M. Mirza、B. Xu、D. Warde‑Farley、S. Ozair、A. Courville 王偉彥(IEEE Fellow),1984年獲得國立台北理工大學
和 Y. Bengio,“生成對抗網絡”,載於Proc。 26 週年。會議。神經訊息。過程。系統。 電機工程系文憑,1999年獲得台北理工大學碩士及博士學
(NIPS), 2014 年 12 月,第 2672–2680 頁。 位。分別於 1990 年及 1994 年在台灣台北國立台灣科技
大學取得電機工程學位。
[17] A. Radford、L. Metz 和 S. Chintala,“利用深度卷積生成對抗網絡進行無監督表示學習”,
Proc 中。國際。
會議。學習。陳述 (ICLR), 2016 年 5 月,第 1‑16 頁。
[18] J.Zhao、M.Mathieu 和 Y.LeCun,“基於能量的生成對抗網絡”, Proc.國際。會議。學習。陳述
1990年至2006年兼任台灣經濟部國家智慧財產局專利
(ICLR), 2017 年 4 月,第 1‑17 頁。
審查員。自2003年起,他獲得台灣專利代理人資格。 1994
年,他被任命為台灣聖約翰與聖瑪麗理工學院電子工程系
[19] A. Radford、L. Metz 和 S. Chintala,“利用深度卷積生成對抗網絡進行無監督表示學習”,2015
副教授。 1998年至2000年在台灣東吳大學商業數學系工作。 2000年至2004年在台灣
年, arXiv:1511.06434。 [線上的]。可用:http://arxiv.org/abs/1511.06434 [20] P.
Korshunov 和 M. Sébastien,「DeepFakes:臉部辨識的新威脅?評估和檢測,” Proc。
輔仁大學電子工程系工作,2004年晉升教授。2006年任國立台北大學電腦中心教授兼
IEEE 會議計算。維斯。模式識別。 (CVPR), 2018 年 12 月,第 1‑5 頁。 主任。科技,台灣。 2007年至2014年任國立台灣師範大學應用電子技術系教授。 2011
年至2013年任國立台灣師範大學資訊科技中心主任,現任國立台灣師範大學電機工程系
教授。他目前的研究興趣和出版物集中在模糊邏輯控制、穩健自適應控制、神經網路、電
[21] Y. Li 和 S. Lyu,“通過檢測面部扭曲偽影來曝光 Deepfake 視頻”, Proc. IEEE 會議計算。維 腦輔助設計、數位控制和基於 CCD 相機的感測器等領域。他在上述領域撰寫或合著了
斯。模式識別。 (CVPR), 2018 年 12 月,第 46‑52 頁。 200 多篇經參考的會議和期刊論文。
87250 2020 年第 8 卷
Machine Translated by Google
W.‑Y。 Wang等:基於深度學習的假設生成模型及其應用
控制、穩健自適應控制、機器學習和神經網路。
2020 年第 8 卷 87251