[发明专利]一种基于目标先验分布的工业时序域适应分类方法

权利要求书

1.一种基于目标先验分布的工业时序域适应分类方法，其特征在于：包括以下几个步骤：1)时序数据预处理，2)网络结构与损失函数设计；3)对抗训练；4)保存特征生成网络与任务分类器网络；5)将新的工业时序数据输入保存的特征生成网络与任务分类器网络得到预测结果。

2.基于权利要求1所述的一种基于目标先验分布的工业时序域适应分类方法，其特征在于：所述时序数据预处理步骤如下：初始工业时序数据经过归一化，平滑等预处理，得到处理后的时间序列作为网络的输入数据，该网络的需要数据需要，源域的时间序列数据，时间序列所属的类别，目标域的时间序列数据。

3.基于权利要求2所述的一种基于目标先验分布的工业时序域适应分类方法，其特征在于：所述网络结构与损失函数设计步骤如下：网络结构为神经网络结构，依据不同数据集，网络结构不同；网络按照该损失函数为目标进行训练；

损失函数包括源域的交叉熵损失，源域与目标域的对抗损失，目标域的先验损失；工业时序分类模型的优化目标是三个目标损失的集合，其中交叉熵损失目的是为了提高模型的分类准确性，对抗损失目的是希望源域与目标域的数据分布尽可能相似，即找到源域与目标域共性的部分，先验损失的目的为希望目标域的数据分布与给出的先验分布尽可能相似；

上述函数中：(x,y)～Ds中Ds代表的是源域，(x,y)代表的是带标签的源域数据，x为数据，y为标签。C(X)代表的是任务分类器，F(X)代表特征生成器，D(X)代表域分类器，R(X)为梯度反转操作。dS,dT为域标签，默认源域为0，目标域为1。Ytrue为目标域数据标签的类别先验分布。整个Loss由任务分类器的损失Ly、域分类器的损失Ld、弱监督损失Lws构成；首先，任务分类器损失Ly由带标签的目标域数据计算而得，任务分类器将特征生成器的输出F(X)作为输入，最后将输出预测结果C(F(X))与标签y计算损失，即E(x,y)～Ds[Ly(C(F(X)),y)]。其次，域分类器的损失由带各自域标签的源域数据以及目标域数据计算而得，域分类器将特征生成器的输出F(x)作为输入，将输出预测结果D(R(F(x)))与数据x对应的域标签计算损失。需要注意的是，R(x)在域分类器预测数据的域标签的过程中不起作用，其只在反向传播的过程中对域分类器传导至特征生成器的梯度进行符号反转操作。最后,弱监督损失Lws由目标域数据的类别先验分布Ytrue与任务分类器对目标域数据预测的伪标签的类别概率分布计算而得。整个Loss优化过程通过最小化上述三个损失实现；

Ly和Ld都是交叉熵损失，Lws先验损失是JS散度，相应的公式如下:

Djs为Jensen-Shannons散度，其由Kullback-Leibler散度经过上述计算而得。其中P,Q

为两个已知的概率分布；

Lws为弱监督损失，其通过计算目标域数据的类别先验分布与任务分类器对目标域数预测的伪标签的类别概率分布计算JS散度而得。

4.基于权利要求3所述的一种基于目标先验分布的工业时序域适应分类方法，其特征在于：所述对抗训练步骤如下：对抗训练涉及特征生成网络，域分类器网络和任务分类器网络。特征生成网络目的是提取工业时序数据的特征，域分类器网络的目的是做一个二分类，预测数据来源属于源域还是目标域，任务分类器网络的目的是将源域的数据尽可能分类准确；对抗训练目的希望，一方面实现源域数据集准确分类，实现现分类误差的最小化；另一方面是要混淆源域数据集和目标域数据集，实现域分类误差的最大化；对抗训练参照DANN的网络训练方法，按照提出的损失函数进行网络训练，直至网络收敛。