一种判别性卷积特征学习故障判断方法技术

本发明专利技术公开了一种判别性卷积特征学习故障判断方法，涉及人工智能技术领域，解决了现有技术难以对深度卷积特征的类内紧凑性进行及时判断，导致卷积神经网络的判别性较弱的技术问题；本发明专利技术对若干深度特征实时进行特征可视化获取特征可视图；基于特征可视图确定可视化中心，以及对应的若干径向特征线；基于若干深度特征与相邻径向特征线之间的垂直距离来判断深度特征是否符合要求；本发明专利技术通过计算来判断学习故障，提高了判断的准确性；本发明专利技术通过统计特征类别组中的不符合要求的深度特征比例或者建立特征变化曲线来判断是否学习故障；本发明专利技术判断过程简单，能够准确判断学习是否故障，为人工智能模型稳定性和可靠性的评估提供了数据基础。提供了数据基础。提供了数据基础。

【技术实现步骤摘要】
一种判别性卷积特征学习故障判断方法


[0001]本专利技术属于人工智能领域，涉及判别性卷积特征学习故障诊断技术，具体是一种判别性卷积特征学习故障判断方法。

技术介绍

[0002]判别性特征是很多机器学习任务成功的关键因素之一，如图像识别、人脸识别和行为识别等。基于卷积神经网络模型的深度学习方法在这些任务中取得了优异的性能，在极具挑战性的大规模数据集上也能很好地完成任务。
[0003]现有深度学习方法通常采用SoftMax损失函数监督卷积神经网络的学习过程以挖掘卷积神经网络强大的非线性表达能力；SoftMax损失函数仅仅保证了类间角度可分性，并没有对类内紧凑性进行及时判断，导致卷积神经网络的判别性较弱；因此，亟须一种判别性卷积特征学习故障判断方法。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一；为此，本专利技术提出了一种判别性卷积特征学习故障判断方法，用于解决现有技术难以对深度卷积特征的类内紧凑性进行及时判断，导致卷积神经网络的判别性较弱的技术问题。
[0005]为实现上述目的，本专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种判别性卷积特征学习故障判断方法，其特征在于，包括：获取标准训练数据，以及基于卷积神经网络构建人工智能模型；通过标准训练数据训练人工智能模型，提取若干深度特征；其中，标准训练数据包括输入样本和对应的样本标签，卷积神经网络模型的损失函数为SoftMax损失函数；对若干深度特征实时进行特征可视化获取特征可视图；基于特征可视图确定可视化中心，以及对应的若干径向特征线；计算若干深度特征与相邻径向特征线之间的垂直距离，并持续判断若干深度特征是否符合要求，实现学习故障判断。2.根据权利要求1所述的一种判别性卷积特征学习故障判断方法，其特征在于，所述对若干深度特征实时进行特征可视化，获取特征可视图，包括：在训练过程中提取若干深度特征；将若干深度特征在二维平面上进行可视化，获取特征可视图。3.根据权利要求1所述的一种判别性卷积特征学习故障判断方法，其特征在于，所述基于特征可视图确定可视化中心，以及对应的若干径向特征线，包括：获取特征可视图之后，确定若干特征类别组；基于若干特征类别组的分布状态确定对应的类别中心线，同时在若干类别中心线的交汇处确定可视化中心；基于可视化中心对若干类别中心线进行调整，获取若干径向特征线。4.根据权利要求3所述的一种判别性卷积特征学习故障判断方法，其特征在于，所述基于可视化中心对若干类别中心线进行调整，包括：在可视化中心不变的情况下，统计分析特征类别组中分布于类别中心线两侧的若干深度特征；以类别中心线两侧的深度特征数量平衡为基准来调节类别中心线的角度。5.根据权利要求3所述的一种判别性卷积特征学习故障判断方法，其特征在于，所述计算若干深度特征与相邻...

【专利技术属性】
技术研发人员：樊伟，张黎，赵伟臣，郭爱生，王树青，
申请(专利权)人：安徽交泰智能技术有限公司，
类型：发明
国别省市：