【技术实现步骤摘要】
本申请实施例涉及人工智能，尤其涉及一种基于多判别器的对抗迁移学习方法和装置。
技术介绍
1、人工智能(ai)的智能化和集成化应用已经在众多行业中获得了广泛的关注。基于数据驱动的智能诊断是一种端到端的方法，通过提取和挖掘大量数据中的信息和特征，可实现自动特征提取和损伤识别，并已被广泛应用于故障诊断分类任务中。相比传统的故障诊断和分类方法，其优点在于，不需要给出所有已知的故障的机理信息，也不需要人工给定分类阈值，通过机器学习和深度学习等人工智能方法自动完成特征提取和分类任务。
2、目前，利用人工智能方法进行故障诊断和分类的方法依赖大量已知的故障数据，通过参数估计和数值拟合等方法，结合优化算法对大批量数据进行特征提取和分类。通常现有人工智能方法需要大量已知数据进行训练、求解和优化，从而提高故障识别和分类的精度以及避免训练过拟合。但在实际应用中，由于设备很少工作在已知故障的状态下，因此难于获取实际工况下大量的已知数据，这就导致现有人工智能故障诊断方法还是存在效率低、不稳定等缺点。
技术实现思路
1、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。
2、本公开实施例的主要目的在于提出一种基于多判别器的对抗迁移学习方法和装置，在不需要依赖于大量完整的数据集，即可高效稳定的训练特征提取器。
3、第一方面，本公开实施例提出一种基于多判别器的对抗迁移学习方法，所述基于多判别器的对抗迁移学习方法包括：
4、获取待分类样本；>
5、通过特征提取器提取所述待分类样本的待分类特征，并将所述待分类特征输入至标签判别器，以使所述标签判别器对所述待分类样本进行分类；其中所述特征提取器通过如下方式进行训练：
6、获取多个待训练样本，所述多个待训练样本包括源域样本和目标域样本；
7、在当前训练次数下，通过所述特征提取器提取所述多个待训练样本对应的多个深层特征；
8、将所述多个深层特征分别输入至多个域判别器中，以得到每一个所述域判别器对每一个所述待训练样本的所述深层特征所属域的预测概率；
9、根据每两个所述域判别器对同一个所述待训练样本的所述预测概率计算每两个所述域判别器之间的差异度，根据每两个所述域判别器之间的所述差异度计算所述多个域判别器之间对同一个所述待训练样本的总差异度；
10、根据所述多个域判别器对所述多个待训练样本对应的多个所述总差异度计算域间损失；
11、根据所述域间损失对所述特征提取器进行优化，使所述特征提取器根据所述多个待训练样本进行下一次训练，直至训练结束。
12、本申请的一些实施例中，所述根据每两个所述域判别器对同一个所述待训练样本的所述预测概率计算每两个所述域判别器之间的差异度，根据每两个所述域判别器之间的所述差异度计算所述多个域判别器之间对同一个所述待训练样本的总差异度，包括：
13、计算每两个所述域判别器对同一个所述待训练样本的所述预测概率之间的距离值，将所述距离值作为每两个所述域判别器之间的差异值；
14、采用平均值法对所述多个域判别器中的所有所述距离值进行归一化，得到所述多个域判别器之间对同一个所述待训练样本的总差异度。
15、本申请的一些实施例中，所述总差异度的计算公式包括：
16、
17、其中，dv(i)表示所述多个域判别器对第i个待训练样本的总差异度，cd(m)(x(i))表示第m个域判别器对第i个待训练样本的所述深层特征所属域的预测概率，cd(n)(x(i))表示第n个域判别器对第i个待训练样本的所述深层特征所属域的预测概率，x(i)表示第i个待训练样本，n表示域判别器的总数。
18、本申请的一些实施例中，根据所述多个域判别器对所述多个待训练样本对应的多个所述总差异度计算域间损失，包括：
19、利用信息熵公式将所述多个判别器对所述多个待训练样本的对应的多个所述总差异度转换成不确定度；
20、将所述不确定度进行梯度反转，得到所述域间损失。
21、本申请的一些实施例中，所述域间损失的计算公式包括：
22、
23、其中，dloss表示域间损失，dv(i)表示所述多个域判别器对第i个待训练样本的总差异度，k表示待训练样本的总数，表示不确定度，(.)gradient inverse表示梯度反转函数，log表示对数函数。
24、本申请的一些实施例中，判断所述特征提取器训练完成的方式，包括：
25、设置训练的结束次数和期望域间损失；
26、如果当前训练次数未达到所述训练的结束次数，根据所述域间损失对所述特征提取器进行优化，以使所述特征提取器对所述多个待训练样本进行下一次训练；
27、如果当前训练次数达到所述训练的结束次数，且所述域间损失大于或等于所述期望域间损失，根据所述域间损失对所述特征提取器进行优化，以使所述特征提取器对所述多个待训练样本进行下一次训练；
28、如果当前训练次数达到所述训练的结束次数，且所述域间损失小于所述期望域间损失，训练完成。
29、本申请的一些实施例中，在当前训练次数下，所述将所述多个深层特征分别输入至多个域判别器之后，所述基于多判别器的对抗迁移学习方法，还包括：
30、将所述多个深层特征输入至所述标签判别器中，以得到所述标签判别器输出的预测标签；
31、根据所述预测标签和预设真实标签，计算交叉熵损失；
32、所述根据所述域间损失对所述特征提取器进行优化，包括：
33、根据所述交叉熵损失和所述域间损失对所述特征提取器进行优化。
34、第二方面，本公开实施例提出一种基于多判别器的对抗迁移学习装置，所述基于多判别器的对抗迁移学习装置包括：
35、数据获取单元，用于获取待分类样本；
36、数据分类单元，用以通过特征提取器提取所述待分类样本对应的待分类特征，并将所述待分类特征输入至标签判别器，以使所述标签判别器对所述待分类样本进行分类；其中所述特征提取器通过如下方式进行训练：
37、获取多个待训练样本，所述多个待训练样本包括源域样本和目标域样本；
38、在当前训练次数下，通过所述特征提取器提取所述多个待训练样本对应的多个深层特征；将所述多个深层特征分别输入至多个域判别器中，以得到每一个所述域判别器对每一个所述待训练样本的所述深层特征所属域的预测概率；根据每两个所述域判别器对同一个所述待训练样本的所述预测概率计算每两个所述域判别器之间的差异度，根据每两个所述域判别器之间的所述差异度计算所述多个域判别器之间对同一个所述待训练样本的总差异度；根据所述多个域判别器对所述多个待训练样本对应的多个所述总差异度计算域间损失；
39、根据所述域间损失对所述特征提取器进行优化，使所述特征提取器根据所述多个待训练样本进行下一次训练，直至训练本文档来自技高网...
【技术保护点】
1.一种基于多判别器的对抗迁移学习方法，其特征在于，所述基于多判别器的对抗迁移学习方法，包括：
2.根据权利要求1所述的基于多判别器的对抗迁移学习方法，其特征在于，所述根据每两个所述域判别器对同一个所述待训练样本的所述预测概率计算每两个所述域判别器之间的差异度，根据每两个所述域判别器之间的所述差异度计算所述多个域判别器之间对同一个所述待训练样本的总差异度，包括：
3.根据权利要求2所述的基于多判别器的对抗迁移学习方法，其特征在于，所述总差异度的计算公式包括：
4.根据权利要求2所述的基于多判别器的对抗迁移学习方法，其特征在于，根据所述多个域判别器对所述多个待训练样本对应的多个所述总差异度计算域间损失，包括：
5.根据权利要求4所述的基于多判别器的对抗迁移学习方法，其特征在于，所述域间损失的计算公式包括：
6.根据权利要求1所述的基于多判别器的对抗迁移学习方法，其特征在于，判断所述特征提取器训练完成的方式，包括：
7.根据权利要求1至6任一项所述的基于多判别器的对抗迁移学习方法，其特征在于，在当前训练次数下，所
8.一种基于多判别器的对抗迁移学习装置，其特征在于，所述基于多判别器的对抗迁移学习装置包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：
...【技术特征摘要】
1.一种基于多判别器的对抗迁移学习方法，其特征在于，所述基于多判别器的对抗迁移学习方法，包括：
2.根据权利要求1所述的基于多判别器的对抗迁移学习方法，其特征在于，所述根据每两个所述域判别器对同一个所述待训练样本的所述预测概率计算每两个所述域判别器之间的差异度，根据每两个所述域判别器之间的所述差异度计算所述多个域判别器之间对同一个所述待训练样本的总差异度，包括：
3.根据权利要求2所述的基于多判别器的对抗迁移学习方法，其特征在于，所述总差异度的计算公式包括：
4.根据权利要求2所述的基于多判别器的对抗迁移学习方法，其特征在于，根据所述多个域判别器对所述多个待训练样本对应的多个所述总差异度计算域间损失，包括：
5.根据权利要求4所述的基于...
【专利技术属性】
技术研发人员：徐琰，阳劲松，董志，谢劲松，
申请(专利权)人：湖南君领科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。