一种基于多尺度多任务学习的模式识别方法技术

本发明专利技术公开了一种基于多尺度多任务学习的模式识别方法，通过多尺度特征提取以表征原始信息在多时间尺度上的复杂模式；通过构建多任务学习框架对多个尺度下的模式识别任务同时训练；在不同尺度任务之间引入参数共享单元，能够共享跨尺度的特征信息，扩展了特征学习过程的广度和深度，最终提高了模式识别的性能。本发明专利技术能够稳定、可靠地用于复杂环境状态下的智能信息处理，为及时有效地实现模式识别任务提供了有效方法，具有较高的精度和推广性。

【技术实现步骤摘要】
一种基于多尺度多任务学习的模式识别方法
本专利技术涉及信息获取与处理方法；尤其涉及一种基于多尺度多任务学习的模式识别方法。
技术介绍
非平稳时变特性是客观自然环境和实际工况条件下获取信息的主要特性。在该类信息中混叠大量背景噪声和干扰信号，信息通常具有较高的复杂性、耦合性和不确定性。同时，观测对象也存在不同的模式和状态。这使得信息在多个时间尺度上包含复杂的模式。常规的全局性或者单一尺度下的特征提取和分析方法往往难以充分表征和分类模式信息。近年来，先进技术试图通过多尺度特征的提取和建模以提高对多类模式的表征能力，但尚未形成有效的非平稳时变信息模式识别方法。以滚动轴承故障诊断为例：①振动信号通常表现出多尺度特性，并在多个时间尺度上包含复杂的模式，这种固有的多尺度特征由于缺乏有效的多尺度特征提取方法而往往被传统的诊断模型所忽视；②由于滚动轴承的运行工况复杂多变且含有大量背景噪声，原始时域信号往往包含大量冗余信息；③传统方法在特征学习的过程中，关注点大多集中在单个任务上，忽略了可能帮助优化度量指标的其它信息，使得特征学习不全面，最终影响了模型的泛化性能。
技术实现思路
专利技术目的：为了解决上述问题，本专利技术的目的是提供一种多尺度多任务学习的模式识别方法，能够提取并学习多个时间尺度下的原始特征信息，通过对特征的共享及分类以实现准确的模式识别。技术方案：一种基于多尺度多任务学习的模式识别方法，包括如下内容：(1)提取原始信息的多时间尺度的时频谱特征；(2)对多时间尺度的时频谱特征进行多任务学习，在不同尺度任务之间建立参数共享单元，通过不同尺度任务之间的参数共享单元自动学习共享特征，并获取特征共享的权重；(3)通过多尺度特征的多任务学习和共享，得到多尺度组合特征，并将多尺度组合特征输入到神经网络的全连接层分类器，实现对特征模式的识别。进一步的，步骤(1)中，采用多尺度粗粒化计算获取不同时间尺度下的信息序列，对不同时间尺度下的信息序列进行小波变换，获得不同时间尺度下原始信息的时间-频率特征。进一步的，所述多尺度粗粒化计算的具体步骤为：每次跳跃1-τ个数据段，以τ为区间尺度做平均，形成原始信息时间尺度为τ的信息序列：其中，xl(t)为原始数据x(t)＝{x1(t),x2(t),...,xn(t)}中第l个数据段，n为采样的数据段个数，τ为粗粒化计算的尺度因子，t为时域信号的时间，yh(τ)(t)即为经过粗粒化计算获取的第h个尺度因子为τ的信息序列；通过调节τ值，获取原始信息不同时间尺度的序列；进一步的，所述小波变换的具体步骤为：其中，y(t)为输入的不同时间尺度的序列，为小波变换使用的小波基；a是用于调整小波基的参数因子，b是用于改变时域上的窗口位置的参数因子，t为时域信号的时间；选取连续小波变换的Morlet小波作为小波基，其函数如下:其中，ω0为小波基的中心频率，t为时域信号的时间，i为虚数单位。进一步的，步骤(2)具体包括如下内容：(2.1)获取N个任务在本层特征激活图中(j,k)位置上的激活点(2.2)确定特征共享的权重，基于特征共享的权重，通过本层特征激活图的线性组合得到下一层的特征激活图；其中，分别N个任务在本层特征激活图中(j,k)位置上的激活点，α为线性组合参数，表示特征共享的权重，用来衡量另一个任务的激活程度。进一步的，特征共享的最优权重值由神经网络的损失函数的大小决定，当模型损失不再下降从而达到收敛时，权重参数更新到了最佳值；不同尺度的组合根据具体识别任务的实验对比进行选择。具体的，通过反向传播不断更新得到N个任务的最佳权重矩阵，具体过程如下：经过反向传播，权重参数的更新方式为：…同理更新权重矩阵中的所有参数；其中μ是神经网络的学习率，L是神经网络的损失函数。进一步的，步骤(3)具体包括如下内容：第一层全连接层使用ReLU函数作为激活函数：其中，g为激活函数的输入特征；在第一层全连接层后引入Dropout层；第二层全连接层的神经元个数为模式识别分类任务的总类数，作为模型的输出层；在输出层，使用softmax函数输出每个类的条件概率；设输入样本有M类模式，第m类对应的输出概率Om∈[0,1]为：其中zm是第m个类别的预测结果，通过模型训练估计得到。和现有技术相比，本专利技术的有益效果是：1、本专利技术在粗粒化操作提取出多尺度信息序列后，通过连续小波变换将时域信息转换为多尺度时间-频率特征，能够在提取多尺度特征的同时实现去噪。2、在多任务学习框架中建立多任务参数共享单元，提高了特征的表征能力。3、使用本专利技术的特征学习方法能够有效的从背景噪声和干扰信号中提取多尺度特征信息，并且得以充分学习与融合，很大程度上提高了模式识别的准确度和推广性。附图说明图1是本专利技术实施例在三个时间尺度下的模式识别方法示意图；图2是本专利技术实施例多尺度特征提取的效果图；图3是本专利技术实施例多任务学习网络的模型图；图4是本专利技术实施例最终完成分类的混淆矩阵结果图；具体实施方式下面结合附图和具体实施例，进一步详细介绍本专利技术的技术方案。实施例1：滚动轴承故障诊断针对
技术介绍
所提及的问题①，本实施例通过粗粒化操作从原始振动信号提取出三种尺度的时域信息，有效获取了信号的多尺度特征。针对问题②，本实施例将粗粒化操作与连续小波变换结合，通过小波变换将多尺度时域信号的有效部分从噪声中分离出来，减小了噪声的干扰。针对问题③，本实施例在不同尺度任务之间设计了参数共享单元，经过参数共享操作之后的特征是上一层各任务特征的线性组合，这个组合的最佳权重由网络多次迭代自动学习，最终提高了特征学习的性能。应注意，当尺度组合非最优选择或者参数更新次数不足使得权重非最价值时，本专利技术的模式识别依然能够完成，但最终效果可能不是最佳效果。本实施例使用凯斯西储大学公开轴承数据集。首先，从数据集中截取一段含3600个样本点的时间序列x＝{x1,x2,x3}，其中x1，x2，x3分别含有1200个样本点。根据粗粒化原理，尺度为1的粗粒化序列即为y(1)＝{x1,x2,x3}，长度为3600个样本点。尺度为2的粗粒化序列为y(2)＝{y1(2),y2(2)}，长度为2400个样本点，其中y1(2)＝(x1+x2)/2，y2(2)＝(x2+x3)/2。尺度为3的粗粒化序列为y(3)＝(x1+x2+x3)/3，长度为1200个样本点。得到一组多尺度粗粒化序列后，分别对三种尺度的时域信号进行连续小波变换，将时域信号转换为时频谱图，具体流程如图2。信号x(t)的连续小波变换定义如下：滚动轴承的故障信号多为脉冲型故障信号，其时域波形为阻尼和自由衰减振动，而Morlet小波的时域波形特征为从中心位置到两侧的振动本文档来自技高网...

【技术保护点】
1.一种基于多尺度多任务学习的模式识别方法，其特征在于，包括如下内容：/n(1)提取原始信息的多时间尺度的时频谱特征；/n(2)对多时间尺度的时频谱特征进行多任务学习，在不同尺度任务之间建立参数共享单元，通过不同尺度任务之间的参数共享单元自动学习共享特征，并获取特征共享的权重；/n(3)通过多尺度特征的多任务学习和共享，得到多尺度组合特征，并将多尺度组合特征输入到神经网络的全连接层分类器，实现对特征模式的识别。/n

【技术特征摘要】
1.一种基于多尺度多任务学习的模式识别方法，其特征在于，包括如下内容：
(1)提取原始信息的多时间尺度的时频谱特征；
(2)对多时间尺度的时频谱特征进行多任务学习，在不同尺度任务之间建立参数共享单元，通过不同尺度任务之间的参数共享单元自动学习共享特征，并获取特征共享的权重；
(3)通过多尺度特征的多任务学习和共享，得到多尺度组合特征，并将多尺度组合特征输入到神经网络的全连接层分类器，实现对特征模式的识别。


2.根据权利要求1所述的一种基于多尺度多任务学习的模式识别方法，其特征在于：步骤(1)中，采用多尺度粗粒化计算获取不同时间尺度下的信息序列，对不同时间尺度下的信息序列进行小波变换，获得不同时间尺度下原始信息的时间-频率特征。


3.根据权利要求2所述的一种基于多尺度多任务学习的模式识别方法，其特征在于，所述多尺度粗粒化计算的具体步骤为：
每次跳跃1-τ个数据段，以τ为区间尺度做平均，形成原始信息时间尺度为τ的信息序列：



其中，xl(t)为原始数据x(t)＝{x1(t),x2(t),...,xn(t)}中第l个数据段，n为采样的数据段个数，τ为粗粒化计算的尺度因子，t为时域信号的时间，yh(τ)(t)即为经过粗粒化计算获取的第h个尺度因子为τ的信息序列；通过调节τ值，获取原始信息不同时间尺度的序列。


4.根据权利要求2或3所述的一种基于多尺度多任务学习的模式识别方法，其特征在于，所述小波变换的具体步骤为：



其中，y(t)为输入的不同时间尺度的序列，为小波变换使用的小波基；a是用于调整小波基的参数因子，b是用于改变时域上的窗口位置的参数因子，t为时域信号的时间；
选取连续小波变换的Morlet小波作为小波基，其函数如下:



其中，ω0为小波基的中心频率，t为时域信号的时间，i为虚数单位。

【专利技术属性】
技术研发人员：陈哲，田世庆，黄晶，仇蕾，蒋德富，王鑫，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32