[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

说明书

本发明提出一种MMD和TSP的频域载荷识别的模型迁移学习源域选择方法，首先利用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；其次，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；最后，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。本发明提出一种MMD和TSP的频域载荷识别的模型迁移学习源域选择方法，通过进行迁移顺序的选择，可以得到更好的神经网络模型，有效提高模型精度，减少训练时间、得到更高的识别精度。

技术领域

本发明属于深度学习领域，特别涉及一种基于MMD和TSP的频域载荷识别的模型迁移学习源域选择方法。

背景技术

动态载荷识别技术在现代工程设计，可靠性试验，振动控制等方面具有广泛的应用范围。但在工程实践中，响应是相对容易测量的，而由于载荷大小不容易得到的，因此在某些条件下，如飞行中的导弹，海上平台和受激励情况影响的其他大型建筑物，激励和振动系统的参量不易直接测出，往往需通过逆分析才能获取相应参数。载荷识别是结构动力学中的第二类逆问题，它是根据已知的系统动态特性和实际情况下的动态响应来获得动态激励的。随着深度学习的广泛应用，更多更深的神经网络框架被提出。这些深度学习框架能够有效提升模型在数据上的表现，但是这些性能的提升是建立在花费更多时间和计算资源的基础上，因此基于迁移学习的神经网络框架由此出现。考虑到某些数据或任务是相关的，迁移学习可以通过将相关任务模型的参数共享给目标任务模型来加速和优化模型训练，而不用像大多数网络那样从头开始训练。并不是使用迁移学习就能使模型变得更好，有时会发生负迁移的现象，如果训练数据源的信息不仅没有用，反而会对目标域上的工作适得其反，便会产生负迁移。如果存在多个目标域数据可供选择，我们可需要选择最有帮助的源域数据进行训练，选择的标准通常依赖于源域和目标域之间的相似度度量。

发明内容

本发明的目的针对使用神经网络模型迁移学习进行频域载荷识别时，候选源域模型多，源域模型迁移顺序如何确定的问题，提出了一种基于最大平均差异(Maximum MeanDiscrepancy,MMD)和旅行售货商(Traveling Salesman Problem,TSP)的频域载荷识别的模型迁移学习源域选择方法。通过进行迁移顺序的选择，可以得到更好的神经网络模型，有效提高模型精度，减少训练时间、得到更高的识别精度。

本发明采用如下技术方案：

一种MMD和TSP的频域载荷识别的模型迁移学习源域选择方法，包括：

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。

具体的，所述MMD采用高斯核作为映射函数。

具体的，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。

具体的，所述遗传算法具体包括：