一种检测模型的确定方法、验证方法和装置制造方法及图纸

本文公开了一种检测模型的确定方法，包括，获取样本数据；根据从所述样本数据中划分出的第一样本数据子集初始化并训练长短时记忆神经网络，确定训练好的所述长短时记忆神经网络；根据所述样本数据确定第一任务集集合，利用所述第一任务集集合采用预定的元学习训练算法对训练好的长短时记忆神经网络的模型参数进行调整，确定调整模型参数后的所述长短时记忆神经网络为所述检测模型。还公开了一种检测模型的验证方法，用于检测上述方法所确定的检测模型的检测准确度。

【技术实现步骤摘要】
一种检测模型的确定方法、验证方法和装置
本公开涉及但不限于计算机
，特别是涉及到一种检测模型的确定方法、所述检测模型的验证方法和对应的装置。
技术介绍
PHM(故障预测与健康管理)是利用各类先进传感器实时监测装备运行状态参数及特征信号，借助智能算法和模型来评估装备健康状态，预测剩余使用寿命，诊断故障类型并在故障发生前提供一系列的故障维修决策的系统。PHM技术是由先进的诊断技术、测试技术装备维修管理理论相结合的产物。借助该项技术的故障诊断能力来识别故障类型。装备使用人员与维修人员明确装备故障类型，从而采取有效的维修方式，有效降低故障风险，节约装备资源，减少因装备故障误诊带来的经济损失。目前，PHM技术对于实施装备产生的未知、少次信号的检测的方法目前主要有：基于传统的机器学习的检测方法，基于深度学习的方法，基于专家系统的检测方法。基于传统的机器学习与深度学习方法的缺陷在于：在缺少足够的训练样本的情况下，容易造成学习过拟合现象，并陷入局部最优化。基于专家系统的检测方法，依赖于先验的背景知识，对于已知样本的检测具有很好的效果，但对于未知的、少次样本的信号的检测判断不稳定。
技术实现思路
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。本公开实施例提供了一种检测模型的确定方法，能够基于未知或少量样本数据建立具备高检测准确率的检测模型。本公开实施例还提供一种对上述检测模型进行验证的方法，确定该检测模型的检测准确度。本公开实施例提供一种检测模型的确定方法，包括，获取样本数据，所述样本数据包括：携带有正常标签的正常样本数据和携带有异常标签的异常样本数据；根据从所述样本数据中划分出的第一样本数据子集初始化并训练长短时记忆神经网络，确定训练好的所述长短时记忆神经网络；根据所述样本数据确定第一任务集集合，利用所述第一任务集集合采用预定的元学习训练算法对训练好的长短时记忆神经网络的模型参数进行调整，确定调整模型参数后的所述长短时记忆神经网络为所述检测模型。一些示例性实施例中，所述根据所述样本数据确定第一任务集集合，包括：将所述样本数据分为正常样本数据集和异常样本数据集；根据所述正常样本数据集和所述异常样本数据集构建多组支持集和疑问集；根据所述多组支持集和疑问集，确定多个任务集；其中，每一个任务集对应一组支持集和疑问集；从所述多个任务集中选择第一预设比例的任务集构成所述第一任务集集合。一些示例性实施例中，所述样本数据从1个设备中采集，每一个设备所采集的正常样本量和异常样本量相等；根据所述正常样本数据集和所述异常样本数据集构建多组支持集和疑问集，包括：将所述正常样本数据集分为1个正常子集，将所述异常样本数据集分为1个异常子集；每一个正常子集中的样本数据为同一个设备所采集的正常样本数据，每一个异常子集中的样本数据为同一个设备所采集的异常样本数据；每一组支持集和疑问集分别根据以下方式构建：从1个正常子集中选取一个正常子集Na，从1个异常子集中选取一个异常子集Am；所述正常子集Na和异常子集Am中的样本数据为来自同一个设备所采集的样本数据；从所述正常子集Na中抽取M-K个正常样本数据，从所述异常子集Am中抽取M-K个异常样本数据；从1个正常子集中选取另一个正常子集Nb，从1个异常子集中选取另一个异常子集An；所述正常子集Nb和异常子集An中的样本数据同为来自另一个设备所采集的样本数据；从所述正常子集Nb中抽取K+Q个正常样本数据，从所述异常子集An中抽取K+Q个异常样本数据；根据所述K+Q个正常样本数据中的Q个正常样本数据和所述K+Q个异常样本数据中的Q个异常样本数据，建立一个疑问集；根据所述K+Q个正常样本数据中剩余的K个正常样本数据、所述K+Q个异常样本数据中剩余的K个异常样本数据，和所述M-K个正常样本数据、所述M-K个异常样本数据，建立一个支持集；所述一个支持集和所述一个疑问集构建一组支持集和疑问集；其中，l为大于0的整数，K为大于或等于0的整数，M为大于K的整数，Q为大于0的整数；不同组的支持集和疑问集所选取的正常子集不同，不同组的支持集和疑问集所选取的异常子集不同。一些示例性实施例中，所述根据所述样本数据中的第一样本数据子集初始化并训练长短时记忆神经网络，包括：对所述第一样本数据子集进行分窗时移得到训练数据；根据所述训练数据和预设的期望目标向量，初始化所述长短时记忆神经网络；根据前向传播算法确定初始化后的所述长短时记忆神经网络的学习误差向量；根据所述学习误差向量利用反向传播算法迭代更所述长短时记忆神经网络的模型参数进行所述长短时记忆神经网络的训练，确定所述长短时记忆神经网络训练后的模型参数。一些示例性实施例中，所述利用所述第一任务集集合采用预定的元学习训练算法对训练好的长短时记忆神经网络的模型参数进行调整，包括：根据训练好的长短时记忆神经网络的模型参数，预设的学习率，第一更新迭代训练次数，元学习优化器的自适应内部更新超参数初始值，对所述第一任务集集合中每一个任务集，依次采用K次样本学习法，进行所述元学习优化器的训练，得到调整后的长短时记忆神经网络的模型参数。本公开实施例还提供一种检测模型的验证方法，所述检测模型为上述方法所确定的检测模型；所述验证方法包括：根据所述样本数据确定第二任务集集合，利用所述第二任务集集合和所述检测模型确定学习误差；根据所述学习误差确定所述检测模型的检测准确度。一些示例性实施例中，所述根据所述样本数据确定第二任务集集合，包括：从所述多个任务集中选择第二预设比例的任务集构成所述第二任务集集合；所述第二任务集集合包括的任务集不同于所述第一任务集集合包括的任务集。一些示例性实施例中，所述学习误差包括：正常样本学习误差和异常样本学习误差；所述利用所述第二任务集和所述检测模型确定学习误差，包括：根据所述检测模型，预设的第二更新迭代训练次数，所述元学习优化器的训练后的自适应内部更新超参数，对所述第二任务集集合中每一个任务集，依次确定每一个任务集的正常样本学习误差和异常样本学习误差。本公开实施例还提供一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一种检测模型的确定方法，或执行上述任一种检测模型的验证方法。本公开实施例还提供一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一种检测模型的确定方法，或执行上述任一种检测模型的验证方法。在阅读并理解了附图和详细描述后，可以明白其他方面。附图说明图1为本公开实施例中一种检测模型确定方法的流程图；图2为本公开另一实施例中一种检测模型确定方法的流程图；图3为本公开中样本数据集合生本文档来自技高网...

【技术保护点】
1.一种检测模型的确定方法，其特征在于，包括，/n获取样本数据，所述样本数据包括：携带有正常标签的正常样本数据和携带有异常标签的异常样本数据；/n根据从所述样本数据中划分出的第一样本数据子集初始化并训练长短时记忆神经网络，确定训练好的所述长短时记忆神经网络；/n根据所述样本数据确定第一任务集集合，利用所述第一任务集集合采用预定的元学习训练算法对训练好的长短时记忆神经网络的模型参数进行调整，确定调整模型参数后的所述长短时记忆神经网络为所述检测模型。/n

【技术特征摘要】
1.一种检测模型的确定方法，其特征在于，包括，
获取样本数据，所述样本数据包括：携带有正常标签的正常样本数据和携带有异常标签的异常样本数据；
根据从所述样本数据中划分出的第一样本数据子集初始化并训练长短时记忆神经网络，确定训练好的所述长短时记忆神经网络；
根据所述样本数据确定第一任务集集合，利用所述第一任务集集合采用预定的元学习训练算法对训练好的长短时记忆神经网络的模型参数进行调整，确定调整模型参数后的所述长短时记忆神经网络为所述检测模型。


2.根据权利要求1所述的方法，其特征在于，
所述根据所述样本数据确定第一任务集集合，包括：
将所述样本数据分为正常样本数据集和异常样本数据集；
根据所述正常样本数据集和所述异常样本数据集构建多组支持集和疑问集；
根据所述多组支持集和疑问集，确定多个任务集；其中，每一个任务集对应一组支持集和疑问集；
从所述多个任务集中选择第一预设比例的任务集构成所述第一任务集集合。


3.根据权利要求2所述的方法，其特征在于，
所述样本数据从l个设备中采集，每一个设备所采集的正常样本量和异常样本量相等；
根据所述正常样本数据集和所述异常样本数据集构建多组支持集和疑问集，包括：
将所述正常样本数据集分为l个正常子集，将所述异常样本数据集分为l个异常子集；每一个正常子集中的样本数据为同一个设备所采集的正常样本数据，每一个异常子集中的样本数据为同一个设备所采集的异常样本数据；
每一组支持集和疑问集分别根据以下方式构建：
从l个正常子集中选取一个正常子集Na，从l个异常子集中选取一个异常子集Am；所述正常子集Na和异常子集Am中的样本数据为来自同一个设备所采集的样本数据；
从所述正常子集Na中抽取M-K个正常样本数据，从所述异常子集Am中抽取M-K个异常样本数据；
从l个正常子集中选取另一个正常子集Nb，从l个异常子集中选取另一个异常子集An；所述正常子集Nb和异常子集An中的样本数据同为来自另一个设备所采集的样本数据；
从所述正常子集Nb中抽取K+Q个正常样本数据，从所述异常子集An中抽取K+Q个异常样本数据；
根据所述K+Q个正常样本数据中的Q个正常样本数据和所述K+Q个异常样本数据中的Q个异常样本数据，建立一个疑问集；
根据所述K+Q个正常样本数据中剩余的K个正常样本数据、所述K+Q个异常样本数据中剩余的K个异常样本数据，和所述M-K个正常样本数据、所述M-K个异常样本数据，建立一个支持集；
所述一个支持集和所述一个疑问集构建一组支持集和疑问集；
其中，l为大于0的整数，K为大于或等于0的整数，M为大于K的整数，Q为大于0的整数；不同组的支持集和疑问集所选取的正常子集不同，不同组的支持集...

【专利技术属性】
技术研发人员：沈毅，李慧，潘树强，王悦，林枫，陈静，王自力，马俊丽，张丽岩，李媛媛，霍晨生，董烁昶，彭时涛，
申请(专利权)人：北京旋极信息技术股份有限公司，
类型：发明
国别省市：北京;11