检索结果-南通市图书馆

仪器仪表学报 2024年第8期45卷 32-44页

作者：郭海科赵小强兰州理工大学电气工程与信息工程学院兰州730050 甘肃省工业过程先进控制重点实验室兰州730050 兰州理工大学国家级电气与控制工程实验室教学中心兰州730050

迁移学习作为一种解决领域间分布差异的有效技术,近年来在故障诊断领域得到了越来越多的关注。然而,现有的旋转机械故障诊断方法在迁移学习过程中,通常未能充分考虑不同样本对诊断结果的影响。此外,传统的边缘分布对齐方法在减小源域与... 详细信息

迁移学习作为一种解决领域间分布差异的有效技术,近年来在故障诊断领域得到了越来越多的关注。然而,现有的旋转机械故障诊断方法在迁移学习过程中,通常未能充分考虑不同样本对诊断结果的影响。此外,传统的边缘分布对齐方法在减小源域与目标域数据之间分布差异方面的效果也不够理想,在很大程度上限制了迁移学习方法在实际应用中的有效性。针对以上问题,提出一种基于动态校准与联合分布对齐的旋转机械跨工况故障诊断方法。首先,该方法构建动态校准残差网络(DCRN)作为特征提取层,该层通过设计动态校准结构,根据不同样本的权重进行调整,增强网络的特征表达能力;其次,设计域自适应层并提出一种新的联合分布对齐机制(JDAM),该机制在进行特征对齐时,充分考虑了源域与目标域数据之间的边缘分布差异和条件分布差异,使得网络模型在源域上学习到的知识可以有效迁移到目标域上,从而显著提升目标任务的性能;最后使用I-Softmax函数优化分类器,使网络能够更好地识别不同状态的故障。使用美国凯斯西储大学轴承数据集、MFS轴承数据集与滚轴齿轮数据集进行实验验证,在跨工况与变噪声条件下,所提方法的平均准确率分别为96.50%、96.87%和94.72%,表明所提方法具有较高的故障诊断准确率和良好的泛化能力。

关键词：旋转机械故障诊断动态校准迁移学习联合分布对齐

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于联合分布对齐的深度领域自适应算法研究

基于联合分布对齐的深度领域自适应算法研究

引用

作者：洪梓杰华南理工大学

学位级别：硕士

迁移学习是机器学习领域中的一个研究热点。作为迁移学习的代表方法,领域自适应(Domain Adaptation,DA)的目标是利用源域和目标域的数据学习一个能在目标域上表现良好的模型。通常,目标域只有极少量甚至完全没有任何带标签的数据,而源... 详细信息

迁移学习是机器学习领域中的一个研究热点。作为迁移学习的代表方法,领域自适应(Domain Adaptation,DA)的目标是利用源域和目标域的数据学习一个能在目标域上表现良好的模型。通常,目标域只有极少量甚至完全没有任何带标签的数据,而源域则有相对充足的带标签数据。领域(domain)可以看作联合分布,领域自适应的本质问题是源域和目标域的联合分布对齐问题。近年来,深度学习方法常常需要大量带标签数据才能学习到在目标域上表现良好的模型,然而有时很难收集到特定任务的数据标签。目前,大多数研究关注于对源域和目标域进行边际分布对齐及类条件概率分布对齐,没有充分利用深度学习模型进行基于联合分布的领域自适应。为了解决深度领域自适应中的联合分布对齐问题,本文对无监督领域自适应、半监督领域自适应、多源域领域自适应和领域泛化问题进行深入研究,提出更简单而高效的基于联合分布对齐的深度领域自适应算法,其主要创新点如下:(1)针对单源域领域自适应问题,本文利用非对抗显式估计的Jenson-Shannon(JS)散度和Kullback-Leible(KL)散度度量源域和目标域的联合分布差异,提出联合分布深度匹配(Joint d Istribution Neural ma Tching,JOINT)算法,并给出了目标域的泛化误差界。该算法可以同时解决无监督领域自适应和半监督领域自适应问题。在公开的大规模数据集上的实验结果说明了JOINT算法的优异性能。(2)针对多源域领域自适应和领域泛化问题,考虑到多源域间同样存在领域偏移问题,本文利用相对卡方(Relative Chi-Square,RCS)散度度量多个源域和目标域联合分布间的差异。采用芬切尔共轭估计RCS散度,首次提出多源域联合分布深度匹配(Multi-source Joint d Istribution Neural ma Tching,M-JOINT)算法,并给出多源域问题的目标域泛化误差界估计公式。M-JOINT也可以解决领域泛化问题。在公开的大规模数据集上的实验结果说明了M-JOINT算法的有效性。

关键词：领域自适应联合分布对齐深度学习 f-散度多源域

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于联合分布对齐的深度迁移学习算法研究

基于联合分布对齐的深度迁移学习算法研究

引用

作者：符钵华南理工大学

学位级别：硕士

在深度学习领域,传统监督学习基于训练集（源域）和测试集（目标域）满足独立同分布的假设。然而,当训练集和测试集不服从同一分布时,简单使用训练集训练出来的深度学习模型,在测试集上往往表现不佳。深度迁移学习的出现,就是为了解决... 详细信息

在深度学习领域,传统监督学习基于训练集（源域）和测试集（目标域）满足独立同分布的假设。然而,当训练集和测试集不服从同一分布时,简单使用训练集训练出来的深度学习模型,在测试集上往往表现不佳。深度迁移学习的出现,就是为了解决源域和目标域联合概率分布不一致的问题。深度迁移学习方法在减少深度网络模型在源域上的训练误差的同时,尽可能地缩小源域和目标域之间的分布差异,使得预测模型在目标域上也有比较好的泛化能力。从对齐的概率分布类型的角度来看,现有的深度迁移学习方法主要是对齐边缘分布、或类条件分布,并没有直接对齐源域和目标域的特征与标签之间的联合概率分布。因此,本文的主要研究工作是解决深度自适应网络中的联合分布对齐问题。基于深度网络中源域和目标域的特征与标签之间的联合分布不一致的问题,本文使用扩展的最大均值差异（Extended Maximum Mean Discrepancy,EMMD）来度量两域之间的联合分布差异,提出联合分布对齐网络（Joint Distribution Alignment Network,JDAN）。JDAN在最小化源域的训练误差的同时,通过减小源域与目标域之间的EMMD损失来缩小两个域之间的联合分布差异。大量无监督和半监督深度迁移实验上的结果验证了本文提出的JDAN模型的有效性。本文提出的JDAN模型在多数迁移任务中均取得了当前最高的平均分类准确率。分布差异分析和t-SNE特征可视化分析也验证了JDAN实现了特征与标签的联合分布对齐。

关键词：深度迁移学习深度自适应网络联合分布对齐扩展的最大均值差异

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的图像域适应问题的研究

基于深度学习的图像域适应问题的研究

引用

作者：曹俊年电子科技大学

学位级别：硕士

近年来深度学习技术在各行各已经起着越来越重要的作用,但是深度学习算法能够取得良好性能的关键是建立在需要消耗大量的资源对深度学习模型进行训练的基础上的,这个过程不仅费时费力,而且在很多领域会出现重复浪费的现象,也就是说一个... 详细信息

近年来深度学习技术在各行各已经起着越来越重要的作用,但是深度学习算法能够取得良好性能的关键是建立在需要消耗大量的资源对深度学习模型进行训练的基础上的,这个过程不仅费时费力,而且在很多领域会出现重复浪费的现象,也就是说一个深度学习模型使用当前场景下的数据训练和测试表现都很好,但是在一个相关的应用场景表现就很差,导致不得不重新花费昂贵成本重新标注数据,进而浪费时间重新训练模型,因此如何利用相关领域的丰富数据来对当前数据集上的任务进行知识的迁移和复用成了当今一个热门研究课题,其中一个方向就是领域自适应问题。本文针对这样的问题分别从对抗学习思想和半监督学习两种角度提出了相应的领域自适应算法,具体如下:(1)从寻找源域和目标域不变特征空间出发,利用对抗思想提出一种联合边缘分布对齐和条件分布对齐的领域自适应算法。针对当前的基于对抗的领域自适应研究中的问题,提出应该先对数据特征进行边缘分布的对齐,再对数据特征进行条件分布的对齐。通过实验结果可以表明,本论文提出的算法在disgits数据集上MNIST→USPS、USPS→MNIST和SVHN→MNIST三个任务中,准确率达到96.2%,97.1%和90.4%;在office31数据集上A→W、D→W和W→D三个任务中,准确率达到91.4%、98.2%和99.8%,这些结果相较于单一类型的算法都有很大的提高。(2)提出一种基于半监督的领域自适应算法模型,针对当前的基于对抗的领域自适应算法中存在的问题,本文探索了利用半监督学习的技巧来避免使用对抗思想进行领域自适应的算法。根据一致正则性的思想设计了伪标签的获取方式,结合聚类损失和按聚类结构对齐的损失,直接显式地对源域和目标域数据特征进行对齐。通过实验结果可以看出,本论文提出的算法在office31数据集上A→W、D→W和W→D三个任务中,准确率达93.2%、98.0%和99.9%;在ImageCLEF-DA数据集上的六个任务的平均准确率达到了87.3%,这些结果都超过了同类的MSTN算法。(3)本文表达了对于自适应算法的研究展望,指出在未来的研究中应该关注于如何解决基于对抗思想的域自适应算法本身存在的问题和指应该更多的关注于在除了图像分类外的其它领域的应用。

关键词：域适应生成对抗网络联合分布对齐伪标签聚类对齐

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：