生成适应模型利用生成对抗网络实现模型结构,并在领域适应学习上取得了突破.但其部分网络结构缺少信息交互,且仅使用对抗学习不足以完全减小域间距离,从而使分类精度受到影响.为此,提出一种基于生成对抗网络的无监督域适应分类模型(Unsu...生成适应模型利用生成对抗网络实现模型结构,并在领域适应学习上取得了突破.但其部分网络结构缺少信息交互,且仅使用对抗学习不足以完全减小域间距离,从而使分类精度受到影响.为此,提出一种基于生成对抗网络的无监督域适应分类模型(Unsupervised Domain Adaptation classification model based on GAN,UDAG).该模型通过联合使用生成对抗网络和多核最大均值差异度量准则优化域间差异,并充分利用无监督对抗训练及监督分类训练之间的信息传递以学习源域分布和目标域分布之间的共享特征.通过在四种域适应情况下的实验结果表明,UDAG模型学习到更优的共享特征嵌入并实现了域适应图像分类,且分类精度有明显提高.展开更多
目前,基于信道状态信息(Channel State Information,CSI)的室内摔倒检测(Fall Detection,FD)系统已被证明拥有巨大潜力,但是,不同室内布局带来的多径效应的差异往往使其无法实现跨场景使用。因此,该文提出了DA-Fall(Domain-adaptive Fal...目前,基于信道状态信息(Channel State Information,CSI)的室内摔倒检测(Fall Detection,FD)系统已被证明拥有巨大潜力,但是,不同室内布局带来的多径效应的差异往往使其无法实现跨场景使用。因此,该文提出了DA-Fall(Domain-adaptive Fall),通过结合两种自适应策略的域自适应方法来改进未标记噪声信号的泛化,从而提高对目标域的检测精度。在提出的摔倒检测系统中,引入了域鉴别器和域混淆自适应层来进行对抗性训练。首先,该算法通过引入依赖于相对值的相对鉴别器来优化对抗训练,从而更好地反映域间差异。其次,将基于多核架构的最大均值差异(Multiple Kernel Maximum Mean Difference,MK-MMD)作为域对抗损失的正则化项,进一步减小域间的边缘分布距离。实验分析表明,DA-Fall取得了比WiFall,RT-Fall,SignGAN更好的效果,在原场景与新场景中分别达到了96.83%和91.03%的检测精度。展开更多
文摘玻璃生产线退火窑辊道系统轴承运行状态显著影响玻璃品质和生产效率,实时监测各轴承运行状态对确保退火窑系统的平稳运行具有重要意义,提出结合Inception模块和长短期神经网络(Long Short-term Memory,LSTM)的迁移诊断方法,对退火窑辊道系统中的辊道轴承和通轴轴承运行状态进行监测、诊断。首先,使用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对轴承信号进行分解和重构降噪,并利用直方均衡化增强重构信号小波时频图的聚集性。然后,针对样本充足的辊道轴承,建立Inception-LSTM网络,提取多尺度特征并学习其中的时间依赖关系,实现状态诊断。再次,针对转速不同且样本量少的通轴轴承,以辊道轴承信号为源域,以通轴轴承信号为目标域,以Inception-LSTM网络为基础,使用多核最大均值差异(Multi-kernel Maximum Mean Discrepancies,MKMMD)减小分布差异,实现故障样本不平衡条件下的跨转速域不变特征提取和迁移诊断。最后,利用实验数据和实测数据验证本算法的有效性,结果表明,该方法能有效诊断出退火窑辊道系统轴承故障,且具有较高的准确率。
文摘生成适应模型利用生成对抗网络实现模型结构,并在领域适应学习上取得了突破.但其部分网络结构缺少信息交互,且仅使用对抗学习不足以完全减小域间距离,从而使分类精度受到影响.为此,提出一种基于生成对抗网络的无监督域适应分类模型(Unsupervised Domain Adaptation classification model based on GAN,UDAG).该模型通过联合使用生成对抗网络和多核最大均值差异度量准则优化域间差异,并充分利用无监督对抗训练及监督分类训练之间的信息传递以学习源域分布和目标域分布之间的共享特征.通过在四种域适应情况下的实验结果表明,UDAG模型学习到更优的共享特征嵌入并实现了域适应图像分类,且分类精度有明显提高.
文摘目前,基于信道状态信息(Channel State Information,CSI)的室内摔倒检测(Fall Detection,FD)系统已被证明拥有巨大潜力,但是,不同室内布局带来的多径效应的差异往往使其无法实现跨场景使用。因此,该文提出了DA-Fall(Domain-adaptive Fall),通过结合两种自适应策略的域自适应方法来改进未标记噪声信号的泛化,从而提高对目标域的检测精度。在提出的摔倒检测系统中,引入了域鉴别器和域混淆自适应层来进行对抗性训练。首先,该算法通过引入依赖于相对值的相对鉴别器来优化对抗训练,从而更好地反映域间差异。其次,将基于多核架构的最大均值差异(Multiple Kernel Maximum Mean Difference,MK-MMD)作为域对抗损失的正则化项,进一步减小域间的边缘分布距离。实验分析表明,DA-Fall取得了比WiFall,RT-Fall,SignGAN更好的效果,在原场景与新场景中分别达到了96.83%和91.03%的检测精度。
