[發明專利]一種主動學習樣本選取方法、系統及計算機可讀存儲介質

有效

• 申請號: 202011003427.9
• 申請日: 2020-09-22
• 公開（公告）號: CN112101263B
• 公開（公告）日: 2022-09-06
• 發明（設計）人: 呂文君;康宇;昌吉;許婷;李婧;李澤瑞
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N20/00
• 代理公司: 合肥天明專利事務所(普通合伙) 34115
• 代理人: 汪貴艷

1.一種主動學習樣本選取方法，其特征在于：包括以下步驟：

(1)數據收集：

(1.1)收集基于振動信號的機器人地面分類數據：利用振動傳感器和攝像頭收集原始數據，讓機器人在期望被識別的地面上隨機游走，并從振動傳感器和攝像頭采集振動信號與圖像信號，振動與圖像信號均有時間戳，其中，振動傳感器的采樣頻率大于1；以及

收集基于測井曲線的巖性識別數據：利用測井設備收集測井曲線；

在構造訓練集時，收集振動信號，并提取振動幀并轉化為樣本x，或者 利用測井設備收集測井曲線，每個深度上的測井值組成一個樣本x，得到樣本集合即為源域樣本集合；對源域樣本集合進行標注，源域樣本的巖性標簽分別為則標注矩陣以y表示地面類型的標簽或一個巖性標簽，則c表示地面類型的數量或巖性種類的數量，c為正整數；y為獨熱編碼，如果樣本x為第h類，h∈{1,2,…,c}，則y的第h個元素為1且其余元素均為0；

在構造測試集時，收集振動信號，并提取振動幀并轉化為樣本或者利用測井設備收集測井曲線，每個深度上的測井值組成一個樣本得到樣本集合即為目標域樣本集合；

(1.2)分別收集源域數據、目標域數據，得到源域樣本集合和目標域的樣本集合其中，n_s與n_t分別表示源域樣本集合與目標域樣本集合的樣本數量，n_s與n_t為正整數；源域、目標域樣本集合中的樣本維度相同，則d表示樣本x,的特征數，d為正整數，表示實數域；

對源域樣本集合進行標注，源域樣本的標簽分別為則標注矩陣以y表示一個標簽，則c表示分類任務目標類別數量，c為正整數；

y為獨熱編碼，如果樣本x為第h類，h∈{1,2,…,c}，則y的第h個元素為1且其余元素均為0；

(2)系統初始化：

手動設定以下系數：經驗損失系數γ，分歧系數λ，隱層神經元數量k，樣本選取數量K；初始化為零矩陣，其中，β_i為第i個基分類器的輸出權重矩陣，i＝1,2,…,m，m為正整數；

設定學習步數Step初始化為零，最大學習步數MaxStep為一個大于1的正整數；

(3)生成隱藏輸出矩陣：

采用隨機映射方式，分別生成H_s、H_t矩陣，其中

上式中，H_s表示源域的隱藏輸出矩陣，H_t表示目標域的隱藏輸出矩陣；k表示隱層神經元數量，表示實數域；

(4)基分類器交叉優化：

令Step自增1，按下式依次序地計算β_i，具體如下：

其中，β_i為第i個基分類器的輸出權重矩陣，矩陣為適維單位陣；

i＝1,2,…,m，m為正整數；

γ為經驗損失系數，λ為分歧系數，H′_s為源域的隱藏輸出矩陣H_s的轉置，Y為標注矩陣；集合

(5)判斷：當Step大于MaxStep，則執行步驟(6)；如果Step小于等于MaxStep，則跳至步驟(4)；

(6)目標域樣本選擇：

計算第i個分類器對目標域樣本集合的預測結果，即P_i＝H_tβ_i，其中，i＝1,2,…,m，m為正整數；

設P_i^e為P_i的第e行，其中e＝1,2,…,n_t；

根據計算目標域第e個樣本的不確定性指數θ_e，其中，cov(·)表示求協方差矩陣，‖·‖_F表示F范數；

從中按從大到小選取K個θ_e，并將選取的θ_e所對應的下標取出得到下標集合則樣本集合即為選取的樣本集合；

其中K為樣本選取數量，為選取出來的樣本。

2.根據權利要求1所述的一種主動學習樣本選取方法，其特征在于：所述γ、λ為大于0的實數，k、K為大于0的整數。

3.根據權利要求1所述的一種主動學習的樣本選取方法，其特征在于：步驟(4)中所述{1,2,…,m}-i表示從由1,2,…,m組成的集合中去除元素i。