【摘要】 在基于深度学习的漏缆周界入侵监测算法领域，为了提高不同位置的分类精度，通常需要大量的标签数据进行监督训练。但实际应用中，人工采集标注数据的成本过于高昂。为了解决小样本情况下周界入侵系统不同位置分类精度过小的问题，本文提出了一种基于生成对抗网络(GAN)的改进半监督方法，该模型用深度卷积生成对抗网络(DCGAN)替换半监督中的普通生成器模型，使用最小二乘法计算损失，并且使用SMOTE方法对带标签样本进行数据增强处理，结合虚拟对抗共同训练分类器模型，提升了网络的表征提取功能和模型稳定性。实验结果表明，本文模型在不同数量标签样本下都获得了更好的分类精度，在标签样本数量较小的情况下，依旧有着良好的分类精度，一定程度上解决了周界入侵系统对大量标签数据的依赖性。更多还原