[發明專利]一種基于一維周期信號進行分類的遷移學習方法

在審

• 申請號: 202210804997.0
• 申請日: 2022-07-08
• 公開（公告）號: CN115099279A
• 公開（公告）日: 2022-09-23
• 發明（設計）人: 藺思宇;李昊庭;韓銀和;宋佳;馬君
• 申請（專利權）人: 中國科學院計算技術研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 北京泛華偉業知識產權代理有限公司 11280
• 代理人: 王勇

1.一種基于一維周期信號進行分類的遷移學習方法，其特征在于，所述方法包括如下步驟：

S1、采用編碼神經網絡提取源域數據集和目標域數據集中的每個樣本的特征向量，利用源域和目標域中設有標簽的樣本的特征向量以及標簽訓練分類器以識別設備的狀態類別，以及根據分類損失更新分類器的參數，其中源域和目標域的樣本采集自不同的設備，源域的所有樣本均設有標簽，目標域的部分樣本設有標簽，每個標簽指示設備在被采集到對應樣本時所對應的狀態類別，所述樣本是針對設備采集的一維周期信號；

S2、將目標域中沒有標簽的每個樣本的特征向量輸入經步驟S1訓練的分類器以輸出樣本對應的狀態類別，并將其作為對應樣本的偽標簽；

S3、根據源域數據集中樣本的特征向量、標簽以及目標域數據集中樣本的特征向量、標簽和偽標簽確定源域和目標域之間包含邊緣分布差異和條件分布差異的第一聯合分布損失，并根據第一聯合分布損失更新編碼神經網絡的參數。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

S4、采用步驟S3更新參數的編碼神經網絡提取源域數據集中每個樣本的特征向量，并利用解碼神經網絡根據獲得的每個樣本的特征向量構造目標域的偽樣本，得到偽目標域數據集；根據分類損失、第一聯合分布損失以及偽目標域數據集與加入步驟S3得到的偽標簽的目標域全標注數據集之間的多種分布差異對應的綜合損失判斷遷移學習是否達到預定的要求，未達到預定的要求時繼續執行遷移學習。

3.根據權利要求2所述的方法，其特征在于，在步驟S3中每次利用源域數據集和目標域數據集中的所有樣本更新編碼神經網絡的參數后，在鎖定編碼神經網絡的參數的情況下執行步驟S4，并在需要繼續進行遷移學習時，解鎖編碼神經網絡的參數繼續執行遷移學習。

4.根據權利要求3所述的方法，其特征在于，所述步驟S4包括：

S41、利用解碼神經網絡根據經步驟S3更新參數的編碼神經網絡提取的源域中每個樣本的特征向量構造目標域的偽樣本，得到偽目標域數據集；

S42、將目標域全標注數據集以及偽目標域數據集分解為帶有不同信息的特征集，并計算包括目標域全標注數據集與偽目標域數據集之間以及分解目標域全標注數據集和偽目標域數據集后對應的特征集之間分布差異對應的綜合損失；

S43、判斷分類損失、第一聯合分布損失以及綜合損失是否均已收斂，若否，繼續執行遷移學習。

5.根據權利要求4所述的方法，其特征在于，目標域全標注數據集以及偽目標域數據集分別被分解為以下特征集或者其組合：

帶有周期信息的目標域周期特征集、偽目標域周期特征集；

帶有趨勢信息的目標域趨勢特征集、偽目標域趨勢特征集；

帶有周期倍數信息的目標域周期倍數特征集、偽目標域周期倍數特征集。

6.根據權利要求5所述的方法，其特征在于，綜合損失包含：目標域全標注數據集與偽目標域數據集之間包含邊緣分布差異和條件分布差異的第二聯合分布損失、目標域周期特征集與偽目標域周期特征集之間包含邊緣分布差異和條件分布差異的分布差異的第三聯合分布損失、目標域趨勢特征集與偽目標域趨勢特征集之間的余弦相似性、目標域周期倍數特征集與偽目標域周期倍數特征集之間包含邊緣分布差異和條件分布差異的第四聯合分布損失或者其組合，

其中，綜合損失所包含的損失與目標域全標注數據集以及偽目標域數據集分別被分解出的特征集相關。

7.根據權利要求2-6任一項所述的方法，其特征在于，所述編碼神經網絡為下采樣的一維卷積神經網絡，用于對樣本的數據進行多次批標準化、卷積處理和下采樣處理后，經全局平均池化處理輸出樣本的特征向量。