[发明专利]一种基于一维周期信号进行分类的迁移学习方法

权利要求书

1.一种基于一维周期信号进行分类的迁移学习方法，其特征在于，所述方法包括如下步骤：

S1、采用编码神经网络提取源域数据集和目标域数据集中的每个样本的特征向量，利用源域和目标域中设有标签的样本的特征向量以及标签训练分类器以识别设备的状态类别，以及根据分类损失更新分类器的参数，其中源域和目标域的样本采集自不同的设备，源域的所有样本均设有标签，目标域的部分样本设有标签，每个标签指示设备在被采集到对应样本时所对应的状态类别，所述样本是针对设备采集的一维周期信号；

S2、将目标域中没有标签的每个样本的特征向量输入经步骤S1训练的分类器以输出样本对应的状态类别，并将其作为对应样本的伪标签；

S3、根据源域数据集中样本的特征向量、标签以及目标域数据集中样本的特征向量、标签和伪标签确定源域和目标域之间包含边缘分布差异和条件分布差异的第一联合分布损失，并根据第一联合分布损失更新编码神经网络的参数。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

S4、采用步骤S3更新参数的编码神经网络提取源域数据集中每个样本的特征向量，并利用解码神经网络根据获得的每个样本的特征向量构造目标域的伪样本，得到伪目标域数据集；根据分类损失、第一联合分布损失以及伪目标域数据集与加入步骤S3得到的伪标签的目标域全标注数据集之间的多种分布差异对应的综合损失判断迁移学习是否达到预定的要求，未达到预定的要求时继续执行迁移学习。

3.根据权利要求2所述的方法，其特征在于，在步骤S3中每次利用源域数据集和目标域数据集中的所有样本更新编码神经网络的参数后，在锁定编码神经网络的参数的情况下执行步骤S4，并在需要继续进行迁移学习时，解锁编码神经网络的参数继续执行迁移学习。

4.根据权利要求3所述的方法，其特征在于，所述步骤S4包括：

S41、利用解码神经网络根据经步骤S3更新参数的编码神经网络提取的源域中每个样本的特征向量构造目标域的伪样本，得到伪目标域数据集；

S42、将目标域全标注数据集以及伪目标域数据集分解为带有不同信息的特征集，并计算包括目标域全标注数据集与伪目标域数据集之间以及分解目标域全标注数据集和伪目标域数据集后对应的特征集之间分布差异对应的综合损失；

S43、判断分类损失、第一联合分布损失以及综合损失是否均已收敛，若否，继续执行迁移学习。

5.根据权利要求4所述的方法，其特征在于，目标域全标注数据集以及伪目标域数据集分别被分解为以下特征集或者其组合：

带有周期信息的目标域周期特征集、伪目标域周期特征集；

带有趋势信息的目标域趋势特征集、伪目标域趋势特征集；

带有周期倍数信息的目标域周期倍数特征集、伪目标域周期倍数特征集。

6.根据权利要求5所述的方法，其特征在于，综合损失包含：目标域全标注数据集与伪目标域数据集之间包含边缘分布差异和条件分布差异的第二联合分布损失、目标域周期特征集与伪目标域周期特征集之间包含边缘分布差异和条件分布差异的分布差异的第三联合分布损失、目标域趋势特征集与伪目标域趋势特征集之间的余弦相似性、目标域周期倍数特征集与伪目标域周期倍数特征集之间包含边缘分布差异和条件分布差异的第四联合分布损失或者其组合，

其中，综合损失所包含的损失与目标域全标注数据集以及伪目标域数据集分别被分解出的特征集相关。

7.根据权利要求2-6任一项所述的方法，其特征在于，所述编码神经网络为下采样的一维卷积神经网络，用于对样本的数据进行多次批标准化、卷积处理和下采样处理后，经全局平均池化处理输出样本的特征向量。