[发明专利]基于MMD和TSP的频域载荷识别的模型迁移学习源域选择方法

权利要求书

1.基于MMD和TSP的频域载荷识别的模型迁移学习源域选择方法，其特征在于：

利用MMD距离度量不同频率下样本数据间的差异，得到不同频率间MMD距离矩阵D；

通过遗传算法求解访问所有频率所需MMD距离总和的最小代价，求解MMD距离矩阵的TSP问题；

利用遗传算法得到迁移顺序频率序列进行频域载荷识别神经网络模型的迁移学习；

所述TSP问题，具体包括：

根据得到不同频率间MMD距离矩阵D

其中，d_ij表示频率ω_t的数据与频率ω_t+1的数据MMD差异,Ω为迁移频率模型的个数；

根据每个频率模型训练一次，以及路径MMD总差异为所有路径中最小，当训练频率ω_t的模型，将频率ω_t的模型迁移到频率ω_t+1的模型，直到Ω个频率的载荷识别模型全部训练完,得到一个迁移顺序频率序列。

所述模型的迁移学习方法具体包括：

以结构的多点振动响应为多输入，不相关多源载荷为多输出，利用特定频率的历史数据建立不相关多源载荷识别的多输入多输出神经网络模型；

将训练后的神经网络参数作为初始参数传递到目标频率，用目标频率的历史数据对传输的神经网络进行二次训练，得到目标频率的不相关多源负荷识别模型；

将训练后的目标频率神经网络参数传递给下一个目标频率，直到建立全频率的神经网络模型。

2.根据权利要求1所述的基于MMD和TSP的频域载荷识别的模型迁移学习源域选择方法，其特征在于，所述MMD采用高斯核作为映射函数。

3.根据权利要求1所述的基于MMD和TSP的频域载荷识别的模型迁移学习源域选择方法，其特征在于，所述遗传算法具体包括：

将频率按从小到大的顺序或一些随机顺序作为初始种群，采用局部贪心策略的遗传算法进行求解，将大型TSP切分为n个小型TSP进行求解，n为正整数。

4.据权利要求1的所述的基于MMD和TSP的频域载荷识别的模型迁移学习源域选择方法，其特征在于，模型的迁移学习方法的训练步骤如下：

步骤A1：在频率ω_t上建立神经网络模型，利用频率ω_t的历史数据训练神经网络模型，建立该频率下的神经网络多源载荷识别预测模型；

步骤A2：将步骤A1得到的预测模型作为辅助频率模型；

步骤A3：利用目标频率ω_t+1的历史数据对步骤A2得到的辅助频率模型参数进行二次训练，得到目标频率ω_t+1的神经网络载荷识别模型；

步骤A4：判断所有频率的神经网络载荷辨识模型是否均已训练结束，训练完成则结束，否则转步骤A2。

5.根据权利要求1所述的基于MMD和TSP的频域载荷识别的模型迁移学习源域选择方法，其特征在于，所述模型的迁移学习方法的数据处理方法，具体包括：

将载荷数据通过快速傅里叶变换转换到频域，并通过对数变换公式f_new(ω)＝log₁₀f(ω)进行数量级变换。

6.根据权利要求1所述的基于MMD和TSP的频域载荷识别的模型迁移学习源域选择方法，其特征在于，模型的迁移学习方法中采用的神经网络模型具体为：

神经网络模型包含有1个输入层，1个输出层，3个隐藏层，选用Relu函数作为激活函数，误差函数为平均绝对误差函数，梯度更新优化算法为自适应学习率算法RMSprop，并采用早停技术进行训练。