【《基于半监督特征融合小样本学习的故障诊断模型分析》5900字】

基于半监督特征融合小样本学习的故障诊断模型分析目录TOC\o"1-3"\h\u5193基于半监督特征融合小样本学习的故障诊断模型分析 [26]，即在数据中随机选择区域，将区域内数据置零。 如图所示2.13，第一张图片是原始数据，其余图片为Cutout数目不同的强增强数据。 本文，Cutout数目可选范围为3，4，5，概率均为33.3%。图STYLEREF1\s2.SEQ图\*ARABIC\s112弱增强示意图图STYLEREF1\s2.SEQ图\*ARABIC\s113强增强示意图小样本学习方法小样本学习介绍小样本学习有别于传统的有监督学习，其无法获得与测试集同类别的数据来训练模型。因此，小样本学习致力于跨领域学习知识，即使用源域的数据训练模型，使其能在目标域仍能有较好的性能，如图2.14所示，源域与目标域中的数据类别不同。在使用源域数据学习知识的过程中，小样本学习的方法是通过将源域数据分割成任务，以任务的形式进行情景训练。具体来说，在使用源域数据训练得到的特征提取网络后，固定特征提取网络。此时，将数据按照所属类别分类，再从各类别中分别挑选少量数据形成一个任务，其中数据分成训练数据与测试数据，以此训练度量网络。情景训练如图4.15所示.源域中训练结束后，特征提取网络连接度量网络即为目标域数据的分类网络，结构如图4.16所示。图STYLEREF1\s2.SEQ图\*ARABIC\s114小样本学习示意图图STYLEREF1\s2.SEQ图\*ARABIC\s115情景训练示意图图STYLEREF1\s2.SEQ图\*ARABIC\s116目标域数据的分类网络故障诊断任务定义源域中的每一任务中，我们含有支撑集SS={x0S,y0S,…,(xnS,ynS)}与问询集QS={为了充分使用源域中有限的故障数据，我们的支撑集SS为CS-way，K-shot形式，问询集QS为CS-way，M-shot形式。目标域中支撑集ST为CT-way，K-shot形式，问询集QT为CT-way，M-shot形式。其中CS是源域中故障类别数目，CT是目标域中故障类别数目，K应较小，M大小没有要求。训练过程经过半监督学习网络的训练，我们得到了一个能够输出有效区分的特征的特征提取网络。特征提取网络连接度量学习网络就可以完成小样本学习，结构如图2.16所示。对来自源域的任务TS，其支撑集为SS={xS1S,yS1S,…,(xSnS,ySnS)}与问询集为y其中权重w[,]是通过度量特征之间距离与softmax函数计算的。w 其中距离函数d[,]为二者间的余弦距离，−τ是使距离值小的预测权重更大的参数。 有yQi与yL 总损失函数为L 通过优化损失函数即求得最终模型。 此时对来自目标域的数据，通过公式2-4即可得到问询集中数据的预测标签。模型代码模型总体训练流程如算法1所示。算法1：半监督特征融合小样本学习网络学习过程需要：源域数据XS，半监督数据XU，半监督训练训练最小批大小m，训练步骤nfe，学习率αf1:初始化半监督学习网络θ2:fort=1,…,nfe3:从XS与XU中采样得到批数据X4:θFE5:endfor6:固定θFE并初始化度量学习网络参数7: