[发明专利]基于异构域自适应迁移学习的刀具磨损状态智能识别方法在审
申请号: | 202110016625.7 | 申请日: | 2021-01-06 |
公开(公告)号: | CN112801139A | 公开(公告)日: | 2021-05-14 |
发明(设计)人: | 杨文安;刘学为 | 申请(专利权)人: | 南京航空航天大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06F17/18;G06N20/00 |
代理公司: | 北京中知法苑知识产权代理有限公司 11226 | 代理人: | 李明;赵吉阳 |
地址: | 210016 江*** | 国省代码: | 江苏;32 |
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 异构域 自适应 迁移 学习 刀具 磨损 状态 智能 识别 方法 | ||
1.一种基于异构域自适应迁移学习的刀具磨损状态智能识别方法,其特征在于,包括以下步骤:
步骤一:构建基于异构域自适应迁移学习的刀具磨损状态识别系统;
步骤二:根据几种刀具的不同磨损曲线获取源域数据S及一个目标域数据T,并对数据进行特征提取及特征降维;
步骤三:构建MMD矩阵M,并初始化参数及最大迭代次数;
步骤四:初始化FWELM随机输入权重并计算其隐含层输出矩阵H;
步骤五:利用DST-FWELM计算重构输出权重;
步骤六:计算重构后的刀具磨损源域数据S′及目标域数据T′;
步骤七:利用重构的源域数据训练自适应FWELM分类模型;
步骤八:利用自适应FWELM分类模型更新目标伪标签及及条件矩阵Mk;以及
步骤九:达到最大迭代次数后,利用最终的自适应FWELM分类模型对刀具磨损状态进行预测。
2.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法,其特征在于,在所述步骤二中,利用线性回归的方法选择数据的特征中表现显著的特征,并将其他表现不显著的特征剔除。
3.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法,其特征在于,在所述步骤三中,需要初始化的参数包括FWELM中的隶属函数系数、小波函数系数以及MMD中的比例系数。
4.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法,其特征在于,在所述步骤五中,重构输出权重用于将源域数据与目标域数据转换到同一个特征空间。
5.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法,其特征在于,在所述步骤七中,直接将重构的源域数据输入到自适应FWELM分类器中,自适应FWELM分类器重新初始化分类器内部的输入权重及阈值。
6.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法,其特征在于,在所述步骤八中,将重构的目标域数据输入到训练后的自适应FWELM分类器中,得到对应于目标域的伪标签,并利用伪标签更新条件矩阵。
7.根据权利要求1所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法,其特征在于,所述刀具磨损状态识别系统包括刀具状态源域数据采集对象、刀具状态目标域数据采集对象、数据处理模型和DST-FWELM模型。
8.根据权利要求2所述的基于异构域自适应迁移学习的刀具磨损状态智能识别方法,其特征在于,所述特征降维包括:
提取源域数据与目标域数据中的统计特征、频域特征及时频域特征;
将刀具磨损的不同样本作为自变量,将每个样本对应的特征作为不同的自变量类型,将刀具磨损值作为目标值,进行线性回归;
利用线性回归得到的每个变量系数及系数的显著性水平p值;以及
将p值小于0.05的系数及对应的特征保留,将其他的特征剔除。
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南京航空航天大学,未经南京航空航天大学许可,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/202110016625.7/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种混凝土配料称重机构
- 下一篇:一种聚乳酸可降解塑料及生产工艺