模拟引力波(GW)和GW探测器故障的现实时间域观测可以帮助推进GW数据分析。 模拟数据可以通过增加用于信号搜索的数据集、平衡机器学习数据集和验证检测方案,在下游任务中使用。 在这项工作中,我们介绍了条件衍生GAN(cDVGAN),这是生成对抗网络框架中的一种新颖的条件模型,用于模拟代表引力波(GW)和探测器故障的多个类时间域观测。cDVGAN还可以生成广义混合样本,通过条件类向量的插值来跨越类之间的变化。cDVGAN将一个额外的玩家引入典型的2个玩家。eries。 我们的结果表明,这提供了更好的捕获原始数据特征的合成数据。 cDVGAN条件在三个类上,两个从LIGO blip和tomte glitch事件从其第3次观测运行(O3)和第三个表示二进制黑洞(BBH)合并。 我们提议的cDVGAN在复制三个类别的特点方面优于4种不同的基线GAN模型。 具体而言,我们的实验表明,使用我们cDVGAN生成的数据训练卷积神经网络(CNN)可以改善检测器噪声中嵌入的样本的检测,而不是来自其他最先进的GAN模型的合成数据。 与基线GAN的合成数据集相比,我们最好的合成数据集在曲线下(AUC)性能提高了4.2%。 此外,在识别嵌入在LIGO探测器背景的真实样本(cDVGAN的4 % AUC改进)时,使用我们的cDVGAN混合样品来训练CNN,优于仅在标准类上训练的CNN。