[发明专利]基于Wasserstein距离的卷积神经网络对抗迁移学习方法及其应用在审
| 申请号： | 201910624662.9 | 申请日： | 2019-07-11 |
| 公开（公告）号： | CN110414383A | 公开（公告）日： | 2019-11-05 |
| 发明（设计）人： | 袁烨;周倍同;程骋;李星毅;马贵君 | 申请（专利权）人： | 华中科技大学 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/62;G06K9/66;G06N3/04 |
| 代理公司： | 华中科技大学专利中心 42201 | 代理人： | 曹葆青;李智 |
| 地址： | 430074 湖北*** | 国省代码： | 湖北;42 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及一种基于Wasserstein距离的卷积神经网络对抗迁移学习方法及其应用，包括：采用待迁移的卷积神经网络，得到源域标记样本集的源域特征集和源域故障判断集以及目标域样本集的目标特征集；以最大化源域特征集和目标特征集之间的Wasserstein距离并最小化Wasserstein距离和源域故障判断集的判断损失值的加和为目标，基于收敛判据，实现卷积神经网络的对抗迁移学习。本发明在卷积神经网络的迁移学习中引入Wasserstein距离，以Wasserstein距离最大为目标，提高对两种样本集所提取的特征的区分敏感度，再以Wasserstein距离和源域故障判断集的损失值的加和最小为目标，以提高卷积神经网络的判断精度，在保证故障诊断能力的同时对样本数据和网络结构要求低，可适用于多工况间迁移，实际应用性强。 | ||
| 搜索关键词： | 卷积神经网络 源域 迁移 特征集 故障判断 样本集 对抗 学习 故障诊断能力 标记样本 网络结构 样本数据 多工况 敏感度 目标域 应用性 最大化 最小化 判据 收敛 应用 引入 保证 | ||
【主权项】：
1.一种基于Wasserstein距离的卷积神经网络对抗迁移学习方法，其特征在于，包括：步骤1、从源域标记数据集和目标域数据集中，确定源域标记样本集和目标域样本集；步骤2、采用待迁移的卷积神经网络，得到所述源域标记样本集的源域特征集和源域故障判断集以及所述目标域样本集的目标特征集；步骤3、以最大化所述源域特征集和所述目标特征集之间的Wasserstein距离并最小化所述Wasserstein距离和所述源域故障判断集的判断损失值的加和为目标，优化所述卷积神经网络的参数，基于收敛判据，重复步骤1，或者，完成卷积神经网络的对抗迁移学习。
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华中科技大学，未经华中科技大学许可，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/patent/201910624662.9/，转载请声明来源钻瓜专利网。
