[發明專利]一種跨域預測的元不變特征空間學習方法

有效

• 申請號: 202110228766.5
• 申請日: 2021-03-02
• 公開（公告）號: CN113031520B
• 公開（公告）日: 2022-03-22
• 發明（設計）人: 李迎光;劉長青;華家玘;李晶晶;郝小忠
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G05B19/4065
• 分類號: G05B19/4065
• 代理公司: 南京天華專利代理有限責任公司 32218
• 代理人: 瞿網蘭

1.一種跨域預測的元不變特征空間學習方法，其特征在于：將已有數控加工刀具磨損數據作為源域數據，并對源域數據進行分組，第j組數據記作D_j，進而對分組后的數據進行配對，第i個配對數據記作(D_j，D_k)_i，每個配對中分別針對D_j和D_k建立預測模型和進而構建第i個配對數據的不變特征空間學習模型通過協同訓練學習每個配對數據的不變特征空間；以不變特征空間學習模型為基模型，通過元學習方法學習不同配對之間的元不變特征空間，得到元不變特征空間學習模型f_φ，進而基于元不變特征空間學習模型對目標域進行預測；所述不變特征空間學習模型包括預測模型和以上兩個預測模型通過神經網絡構建，輸入不同分組下的輸入量X^S和X^T，輸出預測目標量Y^S和Y^T和隱變量Z，構建損失函數L：

其中L_M是兩個預測模型隱變量Z的匹配損失，和分別是兩個預測模型的輸入量X^S和X^T的重構損失，和分別是兩個預測模型的預測輸出Y^S和Y^T的損失。

2.根據權利要求1所述的跨域預測的元不變特征空間學習方法，其特征在于：所述對源域數據的分組方法是指將特定分布下的源域數據分為一組。

3.根據權利要求1所述的跨域預測的元不變特征空間學習方法，其特征在于：所述的配對方法是通過度量不同分組中數據分布的距離，選擇分布距離最小的兩組數據進行配對，分布度量方法為最大均值差異。

4.根據權利要求1所述的跨域預測的元不變特征空間學習方法，其特征在于：所述的元不變特征空間學習模型f_Φ的建立是通過元學習方法，從多個不變特征空間中學習其變化規律，其中元學習器的參數記作Φ，基模型的參數記作θ_i，Φ和θ_i通過梯度下降迭代更新：

式中：α和β是學習率參數，是一種固定的超參數，表示不變特征空間模型損失函數的梯度，表示第i個任務的損失函數，表示第i個不變特征空間模型，表示元不變特征空間模型損失函數的梯度，T_i表示第i個學習任務，p表示學習任務的分布，T表示學習任務；

所述的對目標域進行預測是指將目標域數據與已有的一組源域數據進行配對，基于元不變特征空間學習模型對目標域進行預測；通過目標域數據和選擇配對的源域數據對元不變特征空間學習模型進行微調：

從而得到目標的預測模型式中θ_new表示目標預測模型的參數，表示目標預測任務。