[发明专利]一种基于双对比架构的模式识别方法

说明书

本发明提出了一种基于双对比架构的模式识别方法，用以解决现有模式识别方法中极低标签率下准确率不高的问题，步骤为：数据预处理：将一维振动信号增强为不同参数下的二维时频信号；双对比架构搭建：通过三个并联的编码器搭建双对比架构；负例集初始化：通过编码器对随机样本编码填充负例集；双对比架构训练：用无标签数据训练双对比架构；标签扩散：用有标签数据给部分无标签数据打标签；模式识别模型训练：用标签扩散后的有标签数据集训练模型；模式识别：用训练好的模式识别模型对输入数据进行模式识别。本发明具有以下优点：数据特征提取能力强；所需有标签数据少；模型收敛速度快；模式识别准确率高。

技术领域

本发明涉及计算机模式识别的技术领域，尤其涉及一种基于双对比架构的模式识别方法。

背景技术

模式识别是人类的一项基本智能，在日常生活中，人们经常在进行“模式识别”。随着20世纪40年代计算机的出现以及50年代人工智能的兴起，人们希望能用计算机来代替或扩展人类的部分脑力劳动。模式识别在20世纪60年代初迅速发展并成为一门新学科。模式识别是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析以对事物或现象进行描述、辨认、分类和解释的过程，是信息科学和人工智能的重要组成部分。具体来说，模式识别是利用计算机对数据加以分析，找到蕴含在数据中的规律，并通过这些规律对其余数据进行分类。模式识别可用于文字和语音识别、遥感、故障诊断、机器视觉、医疗等方面。

模式识别又常称作模式分类，根据数据类别标签是否预先知道，模式识别分为有监督分类、无监督分类和半监督分类。一般来说，有监督分类依赖于大量含有类别标签的数据。但在工程实际中，对大量数据进行人工标记类别标签会耗费大量的时间和成本，而且标记标签依赖于相关领域专家的经验知识，所以工程数据中带有标签的数据是稀有的。无监督分类并不需要数据的标签，仅仅是通过数据本身所蕴含的特征，将相似度较高的样本聚集在一起，将差异较大的样本尽量分开。半监督分类则同时利用了无标签的数据和有标签的数据来训练模型，从而充分发挥有限的样本标签对于模式识别结果的更正作用，在模式识别中越来越受到关注。

对比学习为半监督分类提供了一种新范式，首先利用无标签数据训练编码器，提取数据的特征表示，然后将编码器与线性分类器连接，利用有标签数据训练分类器，实现半监督模式分类。常用的对比学习模型有动量对比(MoCo)、对抗对比(AdCo)等。具体地，这些模型包含两个编码器，不含解码层，分别用于提取两个相同或不同类别输入样本的编码特征，进而将两个编码特征通过相似度进行对比，利用同一类别样本的编码特征之间的相似度大这一特性，使同一类别样本的编码特征尽可能靠近，不同类别样本的编码特征尽可能分离。

基于对比学习的半监督分类的效果取决于三个方面：1)不同类别样本之间对比的充分程度。一个样本和其它类别样本对比得越充分，编码器越能提取该样本区别于其它类别样本的特征表示。2)同一类别样本的数据增强样本的质量。同一类别样本需要采用数据增强方法获得两个不同的数据增强样本，用于作为两个编码器的输入样本，这两个数据增强样本应该具有很好的质量，即保留原样本的主要特征，但相互之间具有一定的差异性。3)有监督训练的充分程度。编码器连接线性分类器后，只有得到充分的训练，才能获得较好的模式识别效果。

然而，现有的对比学习模型仅采用两个编码器对编码特征进行一次对比，不同类别样本之间的对比不够充分；现有对比学习中的数据增强方法多适用于图像数据，不适用于语音信号、振动信号等一维数据。现有基于对比学习的半监督分类方法仅采用有限有标签数据对线性分类器进行训练，参与训练的数据少且特征提取部分没有进一步训练，训练不充分。

因此，现有基于对比学习的半监督分类方法至少具有以下缺点：1)无监督特征提取能力不足；2)数据增强方法不适用于一维数据；3)在较低标签率情况下有监督训练不充分；4)模式识别准确率不高。

盾构机有许多的零部件，任何一个零部件的损坏都有可能导致整个盾构机的失效，所以我们需要实时监测零部件的健康状态，利用模式识别方法判断其健康状态类别，便于及时准确的运行维护，保证盾构机能够平稳有效的运行。