一种基于目标先验分布的工业时序域适应分类方法技术

本发明专利技术公开了一种基于目标先验分布的工业时序域适应分类方法，包括以下几个步骤：1)时序数据预处理，2)网络结构与损失函数设计；3)对抗训练；4)保存特征生成网络与任务分类器网络；5)将新的工业时序数据输入保存的特征生成网络与任务分类器网络得到预测结果；通过引入先验知识改进了迁移学习的域适应应用于工业时序数据分类上；提高了模型在目标域的准确性；引入目标域的先验分布，增强了模型的泛化性能。

【技术实现步骤摘要】
一种基于目标先验分布的工业时序域适应分类方法
：本专利技术专利属于工业时序域，具体涉及一种基于目标先验分布的工业时序域适应分类方法。
技术介绍
：为实现工业智能，工业时序数据，需要被充分利用，而时间序列分类是工业智能的一个重要技术方法。工业时序分类是常见的问题，比如故障诊断，异常检测及其他预测，是指由工业设备采集的传感器数据。该数据的特点是，连续数据，标签少，噪声大，存在数据漂移问题。工业时序数据由于存在数据漂移等问题，无法直接应用深度学习方法，且一些专家经验并没有充分考虑。迁移学习有源域与目标域，源域就是已有的数据，目标域就是要应用的目标。比如，工业时序分类的任务，比如故障诊断，源域就是一种工况下的故障分类，目标域就是新的工况下的故障分类。例如：有两类不同环境场景下的工业设备数据的传感器信号，目的希望做设备状况分类，场景A下训练的模型直接用到场景B下的数据上，准确率很差，那怎么办呢？我有些场景B的标签数据，同时专家告诉我，场景B下一般哪种类别常见，哪种类别稀有，据此可构造目标域的先验分布，那么利用场景B的少量数据，结合本文档来自技高网...

【技术保护点】
1.一种基于目标先验分布的工业时序域适应分类方法，其特征在于：包括以下几个步骤：1)时序数据预处理，2)网络结构与损失函数设计；3)对抗训练；4)保存特征生成网络与任务分类器网络；5)将新的工业时序数据输入保存的特征生成网络与任务分类器网络得到预测结果。/n

【技术特征摘要】
1.一种基于目标先验分布的工业时序域适应分类方法，其特征在于：包括以下几个步骤：1)时序数据预处理，2)网络结构与损失函数设计；3)对抗训练；4)保存特征生成网络与任务分类器网络；5)将新的工业时序数据输入保存的特征生成网络与任务分类器网络得到预测结果。


2.基于权利要求1所述的一种基于目标先验分布的工业时序域适应分类方法，其特征在于：所述时序数据预处理步骤如下：初始工业时序数据经过归一化，平滑等预处理，得到处理后的时间序列作为网络的输入数据，该网络的需要数据需要，源域的时间序列数据，时间序列所属的类别，目标域的时间序列数据。


3.基于权利要求2所述的一种基于目标先验分布的工业时序域适应分类方法，其特征在于：所述网络结构与损失函数设计步骤如下：网络结构为神经网络结构，依据不同数据集，网络结构不同；网络按照该损失函数为目标进行训练；



损失函数包括源域的交叉熵损失，源域与目标域的对抗损失，目标域的先验损失；工业时序分类模型的优化目标是三个目标损失的集合，其中交叉熵损失目的是为了提高模型的分类准确性，对抗损失目的是希望源域与目标域的数据分布尽可能相似，即找到源域与目标域共性的部分，先验损失的目的为希望目标域的数据分布与给出的先验分布尽可能相似；
上述函数中：(x,y)～Ds中Ds代表的是源域，(x,y)代表的是带标签的源域数据，x为数据，y为标签。C(X)代表的是任务分类器，F(X)代表特征生成器，D(X)代表域分类器，R(X)为梯度反转操作。dS,dT为域标签，默认源域为0，目标域为1。Ytrue为目标域数据标签的类别先验分布。整个Loss由任务分类器的损失Ly、域分类器的损失Ld、弱监督损失Lws构成；首先，任务分类器损失Ly由带标签的目标域数据计算而得，任务分类...

【专利技术属性】
技术研发人员：任磊，莫廷钰，成学军，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11