1.一种基于对抗生成网络的流速监测实现方法，包括以下步骤：
步骤1，水流图像预处理：将RGB水流图像转换为灰度图并依次经过直方图均衡化和随机裁剪，然后对处理后的图像灰度值按列展开并进行串联，所得列向量构成了待分类的水流图像数据集的特征矩阵X＝[x1,x2,…,xn]，其中样本xi是维度为d的列向量；
步骤2，基于对抗生成网络进行图像分类：训练一双对抗的模型：判别器D的目的是正确区分真实数据和生成数据并对真实数据进行分类从而最大化判别准确率，而生成器G的目的则是生成以假乱真的数据并最小化判别器D的判别准确率，两者的训练是一个二元零和博弈过程；H表示熵，E表示期望值，p表示概率，data和g分别表示真实数据集和生成数据集，生成器G将先验分布为P(z)的随机噪音矢量z通过x＝G(z)映射为生成样本；
2.1依式(1)计算真实数据集data中类别y的边缘概率的熵：
其中，D表示判别器，p(y|·)表示y的边缘概率，N表示真实数据集data的样本个数；
2.2依式(2)计算图像x来自真实数据集data的条件熵的经验估计：
其中，K表示图像类别(也即流速区间)个数，p(y＝k|·)表示图像属于类别k的边缘概率；
2.3依式(3)的蒙特卡罗采样对图像x来自生成数据集g的条件熵的经验估计进行逼近：
其中，M表示独立采样的数量，噪音矢量zi～P(z)；
2.4依式(4)计算生成数据集g中类别y的边缘概率的熵：
2.5无监督学习建模，基于对抗生成网络的无监督图像分类的目标函数如式(5)所示：
其中，LD是判别器D的损失函数，LG是生成器G的损失函数；
2.6半监督学习建模：当训练集data中部分水流图像的类别信息已知时，上述无监督分类问题可进一步转化为半监督分类问题，此时，式(5)中生成器G的损失函数保持不变，即，LlabelG＝LG，而判别器D的损失函数调整为：
其中，λ是平衡参数，标签数据集datalabel＝{(x1,y1),…,(xL,yL)}，L表示标签数据个数，CE[y,p(y|x,D)]表示datalabel中图像x的真实类别y与预测类别的条件分布p(y|x,D)的交叉熵，具体计算如式(7)所示：
2.7模型优化求解：由于生成器G和判别器D都是可微的，因此可根据目标函数(5)或(6)利用随机梯度下降法对LD和LG进行交替训练；
步骤3，流速测定：将步骤2的分类结果与预定义的流速区间进行一一对应；
步骤4，状态分析：当监测到水流速度超出预设阈值时发出状态异常信号。