[发明专利]基于对抗联合最大均值差异的时序无监督分类方法

权利要求书

1.一种基于对抗联合最大均值差异的时间序列数据无监督分类方法，其特征在于该方法包括以下步骤：

步骤1：数据预处理，包括对数据进行标准化和数据集的划分。

步骤2：模型预训练阶段，训练一个能有效分类源域数据的分类器。

步骤3：模型正式训练阶段，使用基于对抗联合最大均值差异的领域适应方法进行训练。

步骤4：模型测试阶段，使用训练好的模型测试目标域的数据。

2.根据权利要求1所述的一种基于对抗联合最大均值差异的时间序列数据无监督分类方法，其特征在于，所述步骤1中的数据预处理模块，具体步骤为：

步骤1_1加载源域和目标域的数据文件。

步骤1_2数据归一化。使用z-score标准化方法对源域和目标域的数据进行归一化。z-score基于原始数据的均值和标准差进行标准化，公式如下所示：

步骤1_3划分源域和目标域的训练集、验证集、测试集，比例为6：2：2。

3.根据权利要求1所述的一种基于对抗联合最大均值差异的时间序列数据无监督分类方法，其特征在于，所述步骤2中的预训练模块，具体步骤为：

步骤2_1将源域训练集数据输入CNN特征提取器进行特征提取。

步骤2_2将提取的源域特征输入分类器进行标签分类。

步骤2_3将预测标签与源域样本的真实标签使用交叉熵损失函数计算分类损失

步骤2_4反向传播分类损失的梯度。

步骤2_5计算源域验证集准确率，若有提升再计算源域测试集准确率，记录下最大的源域测试准确率。

步骤2_6判断当前迭代次数是否小于等于50，若是则跳转到步骤2_1继续训练，否则退出预训练进入正式训练阶段。

4.根据权利要求1所述的一种基于对抗联合最大均值差异的时间序列数据无监督分类方法，其特征在于，所述步骤3中的正式训练模块，具体步骤为：

步骤3_1输入源域和目标域训练集数据。

步骤3_2将源域和目标域训练数据输入CNN特征提取器进行特征提取。

步骤3_3将提取的源域和目标域特征输入分类器进行标签分类。

步骤3_4同预训练的步骤2_3，使用源域样本的真实标签与交叉熵损失函数计算分类损失

步骤3_5计算联合最大均值差异损失的计算需要用到特征提取器的输出f^s、f^t和分类器的输出c^s、c^t，计算公式如下：

其中表示再生希尔伯特空间(reproducing kernel Hilbert space,RKHS)，表示核函数，选取高斯核函数高斯核可以映射无穷维空间，z是特定层的集合，包括特征提取层和分类层的最后一层的输出z^f和z^c。

步骤3_6计算域对抗损失将步骤3_2提取的源域目标域特征f^s、f^t输入域鉴别器d(·)，进行域分类，得到域分类损失其中域分类损失使用二进制交叉熵函数计算，公式如下：

步骤3_7计算总损失公式如下：

其中λ代表JMMD损失的权衡参数，范围为[0,1]。

步骤3_8根据步骤3_7中的总损失值进行梯度反向传播，其中和正常反向传播，通过梯度反转层(Gradient Reversal Layer,GRL)对梯度取反后再反向传播，达到对抗训练的目的。

5.根据权利要求1所述的一种基于对抗联合最大均值差异的时间序列数据无监督分类方法，其特征在于，所述步骤4中的模型测试模块，具体步骤为：

步骤4_1加载目标域验证集和测试集数据。

步骤4_2将目标域验证数据通过测试模型提取特征并分类。

步骤4_3将预测标签与真实标签对比，计算目标域验证集准确率，若有提升再使用步骤4_2相同操作计算目标域测试集准确率，用当前的测试准确率更新最终的分类准确率。

步骤4_4判断当前迭代次数是否小于等于250，若是则跳转到步骤3_1继续训练，否则结束。