针对生成对抗网络(GAN)生成伪随机数的质量不高和生成速度较慢的问题,提出一种基于长短时记忆(LSTM)网络和可分离自注意力(SA)机制的模型LSA-WGAN-GP(Wasserstein GAN with Gradient Penalty based on LSTM and separable SA)。该模型...针对生成对抗网络(GAN)生成伪随机数的质量不高和生成速度较慢的问题,提出一种基于长短时记忆(LSTM)网络和可分离自注意力(SA)机制的模型LSA-WGAN-GP(Wasserstein GAN with Gradient Penalty based on LSTM and separable SA)。该模型通过将数据从一维扩展为二维,改进数据的表示方式,从而提取更深层次的特征。并且,创新性地提出LSA(LSTM and separable Self-Attention)模块,以融合LSTM和SA机制,从而显著提升伪随机数的不可回溯性和不可预测性。此外,通过精简网络结构有效减小模型参数量,并提高生成速度。实验结果表明,LSAWGAN-GP生成的伪随机数可以100%通过NIST(National Institute of Standards and Technology)测试;与WGAN-GP(Wasserstein GAN with Gradient Penalty)和GAN相比,LSA-WGAN-GP在频率和全局通用测试项的P值和通过率上均有提升;在伪随机数生成速度上,LSA-WGAN-GP比WGAN-GP和GAN分别提升了164%和976%。可见,LSA-WGANGP在保证生成的伪随机数质量的同时,减少了模型的参数量,并提高了生成伪随机数的速度。展开更多
文摘针对生成对抗网络(GAN)生成伪随机数的质量不高和生成速度较慢的问题,提出一种基于长短时记忆(LSTM)网络和可分离自注意力(SA)机制的模型LSA-WGAN-GP(Wasserstein GAN with Gradient Penalty based on LSTM and separable SA)。该模型通过将数据从一维扩展为二维,改进数据的表示方式,从而提取更深层次的特征。并且,创新性地提出LSA(LSTM and separable Self-Attention)模块,以融合LSTM和SA机制,从而显著提升伪随机数的不可回溯性和不可预测性。此外,通过精简网络结构有效减小模型参数量,并提高生成速度。实验结果表明,LSAWGAN-GP生成的伪随机数可以100%通过NIST(National Institute of Standards and Technology)测试;与WGAN-GP(Wasserstein GAN with Gradient Penalty)和GAN相比,LSA-WGAN-GP在频率和全局通用测试项的P值和通过率上均有提升;在伪随机数生成速度上,LSA-WGAN-GP比WGAN-GP和GAN分别提升了164%和976%。可见,LSA-WGANGP在保证生成的伪随机数质量的同时,减少了模型的参数量,并提高了生成伪随机数的速度。
