[發明專利]一種基于雙對比架構的模式識別方法

在審

• 申請號: 202310346327.3
• 申請日: 2023-04-03
• 公開（公告）號: CN116304603A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 賈連輝;黃偉國;王俊;陸棱輝;孟祥波;魏曉龍;陽斌;張哲學;李文華
• 申請（專利權）人: 中鐵工程裝備集團有限公司;蘇州大學
• 主分類號: G06F18/21
• 分類號: G06F18/21;G06N3/09;G06N3/088;G06N3/0464
• 代理公司: 鄭州優盾知識產權代理有限公司 41125
• 代理人: 栗改

本發明提出了一種基于雙對比架構的模式識別方法，用以解決現有模式識別方法中極低標簽率下準確率不高的問題，步驟為：數據預處理：將一維振動信號增強為不同參數下的二維時頻信號；雙對比架構搭建：通過三個并聯的編碼器搭建雙對比架構；負例集初始化：通過編碼器對隨機樣本編碼填充負例集；雙對比架構訓練：用無標簽數據訓練雙對比架構；標簽擴散：用有標簽數據給部分無標簽數據打標簽；模式識別模型訓練：用標簽擴散后的有標簽數據集訓練模型；模式識別：用訓練好的模式識別模型對輸入數據進行模式識別。本發明具有以下優點：數據特征提取能力強；所需有標簽數據少；模型收斂速度快；模式識別準確率高。

技術領域

本發明涉及計算機模式識別的技術領域，尤其涉及一種基于雙對比架構的模式識別方法。

背景技術

模式識別是人類的一項基本智能，在日常生活中，人們經常在進行“模式識別”。隨著20世紀40年代計算機的出現以及50年代人工智能的興起，人們希望能用計算機來代替或擴展人類的部分腦力勞動。模式識別在20世紀60年代初迅速發展并成為一門新學科。模式識別是指對表征事物或現象的各種形式的(數值的、文字的和邏輯關系的)信息進行處理和分析以對事物或現象進行描述、辨認、分類和解釋的過程，是信息科學和人工智能的重要組成部分。具體來說，模式識別是利用計算機對數據加以分析，找到蘊含在數據中的規律，并通過這些規律對其余數據進行分類。模式識別可用于文字和語音識別、遙感、故障診斷、機器視覺、醫療等方面。

模式識別又常稱作模式分類，根據數據類別標簽是否預先知道，模式識別分為有監督分類、無監督分類和半監督分類。一般來說，有監督分類依賴于大量含有類別標簽的數據。但在工程實際中，對大量數據進行人工標記類別標簽會耗費大量的時間和成本，而且標記標簽依賴于相關領域專家的經驗知識，所以工程數據中帶有標簽的數據是稀有的。無監督分類并不需要數據的標簽，僅僅是通過數據本身所蘊含的特征，將相似度較高的樣本聚集在一起，將差異較大的樣本盡量分開。半監督分類則同時利用了無標簽的數據和有標簽的數據來訓練模型，從而充分發揮有限的樣本標簽對于模式識別結果的更正作用，在模式識別中越來越受到關注。

對比學習為半監督分類提供了一種新范式，首先利用無標簽數據訓練編碼器，提取數據的特征表示，然后將編碼器與線性分類器連接，利用有標簽數據訓練分類器，實現半監督模式分類。常用的對比學習模型有動量對比(MoCo)、對抗對比(AdCo)等。具體地，這些模型包含兩個編碼器，不含解碼層，分別用于提取兩個相同或不同類別輸入樣本的編碼特征，進而將兩個編碼特征通過相似度進行對比，利用同一類別樣本的編碼特征之間的相似度大這一特性，使同一類別樣本的編碼特征盡可能靠近，不同類別樣本的編碼特征盡可能分離。

基于對比學習的半監督分類的效果取決于三個方面：1)不同類別樣本之間對比的充分程度。一個樣本和其它類別樣本對比得越充分，編碼器越能提取該樣本區別于其它類別樣本的特征表示。2)同一類別樣本的數據增強樣本的質量。同一類別樣本需要采用數據增強方法獲得兩個不同的數據增強樣本，用于作為兩個編碼器的輸入樣本，這兩個數據增強樣本應該具有很好的質量，即保留原樣本的主要特征，但相互之間具有一定的差異性。3)有監督訓練的充分程度。編碼器連接線性分類器后，只有得到充分的訓練，才能獲得較好的模式識別效果。

然而，現有的對比學習模型僅采用兩個編碼器對編碼特征進行一次對比，不同類別樣本之間的對比不夠充分；現有對比學習中的數據增強方法多適用于圖像數據，不適用于語音信號、振動信號等一維數據?，F有基于對比學習的半監督分類方法僅采用有限有標簽數據對線性分類器進行訓練，參與訓練的數據少且特征提取部分沒有進一步訓練，訓練不充分。

因此，現有基于對比學習的半監督分類方法至少具有以下缺點：1)無監督特征提取能力不足；2)數據增強方法不適用于一維數據；3)在較低標簽率情況下有監督訓練不充分；4)模式識別準確率不高。

盾構機有許多的零部件，任何一個零部件的損壞都有可能導致整個盾構機的失效，所以我們需要實時監測零部件的健康狀態，利用模式識別方法判斷其健康狀態類別，便于及時準確的運行維護，保證盾構機能夠平穩有效的運行。