[發明專利]基于遷移學習的機床響應建模方法、系統及響應預測方法在審
| 申請號： | 202111570003.5 | 申請日： | 2021-12-21 |
| 公開（公告）號： | CN114239733A | 公開（公告）日： | 2022-03-25 |
| 發明（設計）人： | 胡鵬程;謝杰君;高仕博 | 申請（專利權）人： | 華中科技大學 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N3/02;G06F30/27 |
| 代理公司： | 華中科技大學專利中心 42201 | 代理人： | 汪潔麗 |
| 地址： | 430074 湖北*** | 國省代碼： | 湖北;42 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 遷移 學習 機床 響應 建模 方法 系統 預測 | ||
1.一種基于遷移學習的機床響應建模方法，其特征在于，包括：
獲取源域數據和目標域數據，其中，所述源域數據為第一工況下的樣本數據，所述目標域數據為第二工況下的樣本數據；
利用所述源域數據訓練源域響應預測模型；
在所述源域響應預測模型上加入自適應層，將所述源域數據輸入所述源域響應預測模型，基于所述自適應層計算損失函數并以使所述損失函數小于預設值為目標反向調節所述源域響應預測模型的參數，得到域適應初始模型，所述損失函數包括分類損失和域適應損失，所述域適應損失包括所述源域數據和所述目標域數據之間的最大均值差異損失；
將所述目標域數據輸入所述域適應初始模型，以分類損失函數小于預設值為目標對所述域適應初始模型的參數進行反向微調，得到域適應模型；
將所述源域數據輸入所述域適應模型，得到輔助訓練數據；
利用所述輔助訓練數據和所述目標域數據訓練目標域響應預測模型。
2.如權利要求1所述的基于遷移學習的機床響應建模方法，其特征在于，
所述源域數據包括：
所述目標域數據包括：
其中，xi表示第i個樣本數據中的工藝參數特征向量，yi表示第i個樣本數據中與工藝參數特征向量對應的響應特征；n表示源域數據的樣本數量，m表示目標域的樣本數量，k表示每個樣本內的特征維度；
包括分類損失和域適應損失的損失函數為：
其中，表示將輸入所述源域響應預測模型所得到的結果，λ為權重。
3.如權利要求1所述的基于遷移學習的機床響應建模方法，其特征在于，所述域適應初始模型的神經網絡結構包括順序連接的第一至第四層，其中，第一層為輸入層、第二層和第三層為隱藏層，第四層為輸出層。
4.如權利要求3所述的基于遷移學習的機床響應建模方法，其特征在于，進行反向微調的步驟包括：
凍結域適應初始模型的神經網絡結構及其第一層和第二層的系數，確定第三層的映射
sp＝σ3(W3x3+b3)
其中，sp為輸出層的輸出結果，x3為第三層的向量，W3和b3為第三層的系數，σ3為第三層的激活函數；
利用所述目標域數據訓練所述域適應初始模型，以分類損失函數小于預設值為目標訓練系數W3和b3，得到域適應模型。
5.如權利要求4所述的基于遷移學習的機床響應建模方法，其特征在于，利用所述源域數據訓練源域響應預測模型時的學習率為c，利用所述目標域數據訓練所述域適應初始模型時的學習率小于或等于
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于華中科技大學，未經華中科技大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202111570003.5/1.html，轉載請聲明來源鉆瓜專利網。
