-
公开(公告)号：CN113222046A
公开(公告)日：2021-08-06
申请号：CN202110575512.0
申请日：2021-05-26
Applicant: 浙江大学
Abstract: 本发明公开了一种基于过滤策略的特征对齐自编码器故障分类方法，该方法首先使用有标签数据对堆叠自编码器进行重构预训练，并且对重构误差明显大于有标签数据的无标签数据进行过滤操作，然后使用有标签数据与过滤后的无标签数据进行特征对齐自编码器分类模型的构建。特征对齐自编码器分类模型设计了基于Sinkhorn距离的交叉熵训练损失函数，该函数使得模型在微调阶段同时使用有标签数据和无标签数据，不仅可以实现数据信息的深度挖掘，还可以提高网络模型的泛化能力。同时，由于过滤策略的引入，模型的鲁棒性显著提升。
-
Patent Agency Ranking
公开(公告)号：CN113222046B
公开(公告)日：2022-06-24
申请号：CN202110575512.0
申请日：2021-05-26
Applicant: 浙江大学
Abstract: 本发明公开了一种基于过滤策略的特征对齐自编码器故障分类方法，该方法首先使用有标签数据对堆叠自编码器进行重构预训练，并且对重构误差明显大于有标签数据的无标签数据进行过滤操作，然后使用有标签数据与过滤后的无标签数据进行特征对齐自编码器分类模型的构建。特征对齐自编码器分类模型设计了基于Sinkhorn距离的交叉熵训练损失函数，该函数使得模型在微调阶段同时使用有标签数据和无标签数据，不仅可以实现数据信息的深度挖掘，还可以提高网络模型的泛化能力。同时，由于过滤策略的引入，模型的鲁棒性显著提升。
-
公开(公告)号：CN113222045A
公开(公告)日：2021-08-06
申请号：CN202110575307.4
申请日：2021-05-26
Applicant: 浙江大学
Abstract: 本发明公开了一种基于加权特征对齐自编码器的半监督故障分类方法，该方法首先使用有标签数据对堆叠自编码器进行重构预训练，并估计重构误差的概率密度分布。然后，根据训练数据重构误差的概率密度函数，计算无标签样本的权重。进一步，利用有标签样本集、无标签样本集以及对应权重，构建基于加权特征对齐自编码器的半监督分类模型。加权特征对齐自编码器分类模型设计了基于加权Sinkhorn距离的交叉熵训练损失函数，该函数使得模型在微调阶段同时使用有标签数据和无标签数据，不仅可以实现数据信息的深度挖掘，还可以提高网络模型的泛化能力。同时，由于加权策略的引入，模型的鲁棒性显著提升。
-
公开(公告)号：CN111026058B
公开(公告)日：2021-01-12
申请号：CN201911296626.0
申请日：2019-12-16
Applicant: 浙江大学
IPC: G05B19/418
Abstract: 本发明公开了一种基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法，它采用堆叠自编码器的结构；在自编码器的有监督微调阶段加入无标签样本进行训练，将有标签样本和无标签样本通过自编码器提取的特征之间分布的距离通过瓦瑟斯坦距离进行计算，并且将该距离加入损失函数进行优化。该网络将无标签样本加入了自编码器在微调阶段的训练，解决了自编码器在微调阶段只能使用有标签数据导致的过拟合问题，从而提升了模型的泛化能力，提高了故障分类的准确率。
-
公开(公告)号：CN113222045B
公开(公告)日：2022-06-24
申请号：CN202110575307.4
申请日：2021-05-26
Applicant: 浙江大学
Abstract: 本发明公开了一种基于加权特征对齐自编码器的半监督故障分类方法，该方法首先使用有标签数据对堆叠自编码器进行重构预训练，并估计重构误差的概率密度分布。然后，根据训练数据重构误差的概率密度函数，计算无标签样本的权重。进一步，利用有标签样本集、无标签样本集以及对应权重，构建基于加权特征对齐自编码器的半监督分类模型。加权特征对齐自编码器分类模型设计了基于加权Sinkhorn距离的交叉熵训练损失函数，该函数使得模型在微调阶段同时使用有标签数据和无标签数据，不仅可以实现数据信息的深度挖掘，还可以提高网络模型的泛化能力。同时，由于加权策略的引入，模型的鲁棒性显著提升。
-
公开(公告)号：CN111026058A
公开(公告)日：2020-04-17
申请号：CN201911296626.0
申请日：2019-12-16
Applicant: 浙江大学
IPC: G05B19/418
Abstract: 本发明公开了一种基于瓦瑟斯坦距离和自编码器的半监督深度学习故障诊断方法，它采用堆叠自编码器的结构；在自编码器的有监督微调阶段加入无标签样本进行训练，将有标签样本和无标签样本通过自编码器提取的特征之间分布的距离通过瓦瑟斯坦距离进行计算，并且将该距离加入损失函数进行优化。该网络将无标签样本加入了自编码器在微调阶段的训练，解决了自编码器在微调阶段只能使用有标签数据导致的过拟合问题，从而提升了模型的泛化能力，提高了故障分类的准确率。
-
-
-
-
-
Search Results
6
records
(took 0.015 seconds)
