[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在审

专利信息
申请号: 202210281313.3 申请日: 2022-03-22
公开(公告)号: CN114638310A 公开(公告)日: 2022-06-17
发明(设计)人: 席亮;梁钰佳;梁晨晨 申请(专利权)人: 哈尔滨理工大学
主分类号: G06K9/62 分类号: G06K9/62;G06N3/04;G06N3/08
代理公司: 暂无信息 代理人: 暂无信息
地址: 150080 黑龙*** 国省代码: 黑龙江;23
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 对抗 联合 最大 均值 差异 时序 监督 分类 方法
【说明书】:

发明提出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,属于时序数据分类领域。针对高维时序数据对标签的依赖问题以及传统的领域适应方法只从单方面进行域适应的问题,提出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。本发明创新性地将基于特征映射和基于对抗的两种领域适应方法结合,使用联合最大均值差异距离度量将源域和目标域映射到另一个空间进行对齐,同时还通过域对抗模型进行对抗训练,能更好地提取源域时序数据和目标域时序数据的共同特征进行领域适应。将所提的网络模型应用于时序数据的无监督分类,能达到提升准确率的目的,实验结果验证了所提方法的有效性。

技术领域:

本发明涉及数据无监督分类的技术,尤其涉及一种基于对抗联合最大均值差异的时序数据无监督分类方法。

背景技术:

时间序列数据无处不在,时间序列分析在现实世界其他相关领域有许多的应用,如医疗保健、工业诊断和金融预测。深度学习模型已成为时序分析的成功模型,然而现有的深度有监督模型不适用于训练样本数量有限的高维时间序列数据,因为这些数据驱动的方法依赖于寻找真实标签进行监督训练,但是对于有些时序数据,收集数据标签是一个劳动密集型和耗时的过程,有时甚至是不可能的。一种解决方案是从未标记的数据中学习有用的表示,这可以大大减少对昂贵的手工标注数据的依赖。

无监督领域自适应(UnsupervisedDomainAdaption)是迁移学习的一种,它的源域有标签,目标域没有标签,通过源域的有标签数据来辅助目标域无标签数据进行训练来达到无监督学习的目的。无监督领域自适应方法主要分为两类:基于特征映射的方法和基于对抗的方法。基于特征映射的方法将深度神经网络提取的特征映射到另一个特征空间,然后计算源域和目标域的距离,并缩小这个差异,达到对齐源域和目标域的目的,这个差异度量可以是MK-MMD、CORAL、JMMD、Wasserstein距离等。基于对抗的方法一方面训练一个特征提取器提取特征向量,另一方面训练一个域分类器来辨别特征向量是来自源域还是目标域,两者对抗学习,达到提取源域和目标域共同特征的目的,从而拉近两个域的距离,基于对抗的方法有DANN、CDA、ADDA、GTA等。

传统的无监督领域适应方法只单独使用基于特征映射的方法或者基于对抗的方法,只能从一个方面提取到有效的特征,本研究创新性地将两者结合,将特征映射到另一个空间对齐的同时还能进行对抗训练,联结这两种方法,将其运用到时序数据的无监督分类任务上,能更好地提取源域时序数据和目标域时序数据的共同特征进行领域适应,最终达到提升无监督时序分类准确率的目的。

基于对抗联合最大均值差异的时序无监督分类方法的应用列举及优势如下。

案例1:应用于心电图(ECG)诊断,帮助诊断心律失常、心肌缺血、心肌梗死及部位、判断药物或电解质情况对心脏的影响,及时识别患者的心脏健康状况。

案例2:应用于人类活动识别,通过传感器收集人类运动数据后使用该模型训练,识别人的特定运动或动作,并进行分类,可以运用于智能手机的健康检测功能。

案例3:应用于旋转机械故障诊断。由于机械设备的负载和运动速度不断变化,某种负载和速度下训练的模型应用到处在另外一种工况环境的机械时,往往达不到很好的诊断效果,而重新收集数据进行标记训练又可能是很难实现的,使用本方法能够很好的进行迁移,拉近源域和目标域的距离,充分运用源域有标签数据信息,目标域不需要有标记数据即可训练,只要将原来的数据使用该模型迁移到目标域数据就能达到故障诊断的目的。

综上所述,利用基于对抗联合最大均值差异的时序无监督分类方法,能够从基于特征映射和对抗的两个方面有效对齐源域和目标域,将其应用于时序分类的场景能达到提升无监督分类准确率的目的。

发明内容:

本发明的目的就是为了解决高维时序数据对标签的依赖问题以及传统的领域适应方法只从单方面进行域适应的问题,而提供的一种基于对抗联合最大均值差异的时序无监督分类方法。

(一)技术方案

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于哈尔滨理工大学,未经哈尔滨理工大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202210281313.3/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top