一种分类器模型迁移学习方法技术

本发明专利技术提供一种分类器模型迁移学习方法，包括以下步骤：在原始传感器阵列生命周期末期插入新传感器阵列，并开始采集所述原始传感器阵列及所述新传感器阵列的响应信号；通过所述原始传感器阵列的分类模型信息，预测所述新传感器阵列的类别信息，将所述类别信息称为新传感器阵列的伪label；对所述新传感器阵列的响应信号进行特征提取，与所述伪label共同组成训练集，训练得到所述新传感器阵列的分类器模型；对获取的所述分类器模型参数逐层调整进行优化。本发明专利技术的技术方案简化了更换传感器之后更新分类器模型的过程，不中断分类过程，不丢弃先前的分类器模型，还可以实现其他标准模型作为核心分类器。

【技术实现步骤摘要】
一种分类器模型迁移学习方法
本专利技术涉及智能仪器仪表
，具体而言，尤其涉及一种分类器模型迁移学习方法。
技术介绍
在广泛使用的情况下，传感器的损坏或者中毒会使阵列中的一个传感器或多个传感器不可用，这种情况是永久的且该元件不能再操作。长时间的使用过程中不可避免地需要更换传感器，通常在更换传感器之后需要对整个传感器阵列进行重新校准，因为敏感层的差异使得替换元件的信号与原始系统的输入信号有很大的不同，无法直接使用原始系统的分类模型。针对这些问题，有必要对传感器系统进行重新建模。实际应用中，在检测仪器的使用周期内，其内部的分类器(即模式识别系统)识别精度仍在有效范围内，因此，可充分利用原始系统的分类信息。本专利技术利用了原始传感器阵列的分类模型信息对新传感器阵列进行标定，简化了传统分类器建模的过程，将由原始分类器模型预测得到的伪label与新传感器阵列的输出信号组成训练样本来完成新传感器阵列分类模型的更新，在此基础上，又通过逐层调整模型参数的方式对得到的分类器模型进行了优化，使之更适应于当前的分类任务。对这些智能仪表的系统结构稍加改造，增加一排多余的传感器插座阵列即可应用本专利技术，最终完成系统内部分类器模型的更新。
技术实现思路
根据上述提出的技术问题，而提供一种分类器模型迁移学习方法。本专利技术主要利用一种分类器模型迁移学习方法，其特征在于，包括：步骤S1：在原始传感器阵列生命周期末期插入新传感器阵列，并开始采集所述原始传感器阵列及所述新传感器阵列的响应信号；步骤S2：通过所述原始传感器阵列的分类模型信息，预测所述新传感器阵列的类别信息，将所述类别信息称为新传感器阵列的伪label；步骤S3：对所述新传感器阵列的响应信号进行特征提取，与所述伪label共同组成训练集，训练得到所述新传感器阵列的分类器模型；步骤S4：对所述步骤S3获取的所述分类器模型参数逐层调整进行优化。进一步地，设定所述原始传感器阵列的分类器模型为一个三层的BP神经网络，在两组传感器阵列的共存周期内，提取所述原始分类器模型的网络参数，即权值矩阵Weight和阈值矩阵Bias，所述原始传感器阵列采集得到数据集的特征向量作为输入向量X，计算得到隐含层输出为：输出层输出为：O＝f2(HT·Weight2+Bias2)；Weight1和Bias1为输入层和隐含层之间的权值矩阵和阈值矩阵，Weight2和Bias2为隐含层和输出层之间的权值矩阵和阈值矩阵。f1为隐含层神经元的激励函数，f2为输出层神经元的激励函数。设定新分类器模型的网络结构与原始分类器模型完全相同，提取原始分类器模型隐含层未经激励前的输入信息Bias1表示成Weight0,X0＝1的形式，对于所述新传感器阵列采集得到数据集的特征向量作为新输入向量Xnew，由于共存周期下，两组传感器阵列所感知的气体信息相同，即除输入样本不同外，隐层及输出层输出都应逼近相同的类别结果，据此可建立超定方程组：Xnew·W1＝sum1；获取含偏置项的第一层权重向量W1，接着，计算隐含层新输出Hnew＝f1(Xnew·W1)，提取原始分类器模型输出层未经激励前的输入信息sum2＝HT·Weight2+Bias2，建立超定方程组：Hnew·W2＝sum2；得到含偏置项的第二层权重向量W2；将上述所得的权重参数搭建得到优化后的新分类器模型。较现有技术相比，本专利技术具有以下优点：本专利技术主要用于一些智能检测仪器设备。这些设备在更换传感器时，由于同型号传感器元件的信号也可能与原始传感器元件的信号有很大的差异，直接更换传感器元件后会导致识别效果降低，还需要对更换传感器元件后的分类器模型进行更新。本专利技术的技术方案有益效果在于：简化了更换传感器之后更新分类器模型的过程，不中断分类过程，不丢弃先前的分类器模型，还可以实现其他标准模型作为核心分类器。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术系统结构示意图。图2为本专利技术分类器模型迁移学习算法流程图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。如图1-2所示，本专利技术提供了一种分类器模型迁移学习方法，包括以下步骤：步骤S1：在原始传感器阵列生命周期末期插入新传感器阵列，并开始采集所述原始传感器阵列及所述新传感器阵列的响应信号。本申请依靠图1中的系统结构来实现，在原有系统的基础上加一排传感器阵列插座即可。S2：通过所述原始传感器阵列的分类模型信息，预测所述新传感器阵列的类别信息，将所述类别信息称为新传感器阵列的伪label。这里对于原始传感器阵列的分类模型信息，指的是该阵列的模式识别系统，也可称作分类器，由于原始传感器阵列与新传感器阵列在共存周期下的气体信息相同，可利用原始传感器阵列的分类器去预测新传感器阵列的标签，这里的标签并不是标准标签，所以称其伪label。S3：对所述新传感器阵列的响应信号进行特征提取，与所述伪label共同组成训练集，训练得到所述新传感器阵列的分类器模型。作为本申请一种优选的实施例，在本申请中训练集指的是一组具有类别信息的数据集，新传感器阵列的响应信号经特征提取后为输入样本，伪label为类别信息，两者组成训练集，可用来训练分类器。S4：对所述步骤S3获取的所述分类器模型参数逐层调整进行优化。设定所述原始传感器阵列的分类器模型为一个三层的BP神经网络，在两组传感器阵列的共存周期内，提取所述原始分类器模型的网络参数，即权值矩阵Weight和阈值矩阵Bias，所述原始传感器阵列采集得到数据集的特征向量作为输入向量X，计算得到隐含层输出为：输出层输出为：O＝f2(HT·Weight2+Bias2)；Weight1和Bias1为输入本文档来自技高网...

【技术保护点】
1.一种分类器模型迁移学习方法，其特征在于，包括以下步骤：/nS1：在原始传感器阵列生命周期末期插入新传感器阵列，并开始采集所述原始传感器阵列及所述新传感器阵列的响应信号；/nS2：通过所述原始传感器阵列的分类模型信息，预测所述新传感器阵列的类别信息，将所述类别信息称为新传感器阵列的伪label；/nS3：对所述新传感器阵列的响应信号进行特征提取，与所述伪label共同组成训练集，训练得到所述新传感器阵列的分类器模型；/nS4：对所述步骤S3获取的所述分类器模型参数逐层调整进行优化；/n设定所述原始传感器阵列的分类器模型为一个三层的BP神经网络，在两组传感器阵列的共存周期内，提取所述原始分类器模型的网络参数，即权值矩阵Weight和阈值矩阵Bias，所述原始传感器阵列采集得到数据集的特征向量作为输入向量X，计算得到隐含层输出为：/n

【技术特征摘要】
1.一种分类器模型迁移学习方法，其特征在于，包括以下步骤：
S1：在原始传感器阵列生命周期末期插入新传感器阵列，并开始采集所述原始传感器阵列及所述新传感器阵列的响应信号；
S2：通过所述原始传感器阵列的分类模型信息，预测所述新传感器阵列的类别信息，将所述类别信息称为新传感器阵列的伪label；
S3：对所述新传感器阵列的响应信号进行特征提取，与所述伪label共同组成训练集，训练得到所述新传感器阵列的分类器模型；
S4：对所述步骤S3获取的所述分类器模型参数逐层调整进行优化；
设定所述原始传感器阵列的分类器模型为一个三层的BP神经网络，在两组传感器阵列的共存周期内，提取所述原始分类器模型的网络参数，即权值矩阵Weight和阈值矩阵Bias，所述原始传感器阵列采集得到数据集的特征向量作为输入向量X，计算得到隐含层输出为：



输出层输出为：
O＝f2(HT·Weight2+Bias2)；
其中，Weight1和B...

【专利技术属性】
技术研发人员：赵海堂，刘航，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21