基于持续学习的概略慢特征分析用于多模态动态过程监测
机器学习
2022-04-29 v2 信号处理
摘要
本文通过将弹性权重巩固（EWC）扩展至概略慢特征分析（PSFA），提出一种新颖的多模态动态过程监测方法，以提取多模态慢特征用于在线监测。EWC 最初引入于序列多任务机器学习设定中，旨在避免灾难性遗忘问题，而该问题同样构成多模态动态过程监测中的一大挑战。当新模态到达时，应收集一组数据集，以便 PSFA 与先验知识识别该模态。随后引入正则项以防止新数据显著干扰已学知识，其中估计了参数重要性度量。所提方法记为 PSFA-EWC，其持续更新并能在连续模态上取得优异性能。不同于传统多模态监测算法，PSFA-EWC 具备向后与向前迁移能力。先前模态的显著特征在巩固新信息时被保留，这有助于学习新的相关模态。与若干已知方法相比，通过一个连续搅拌釜式加热器与一个实际燃煤粉磨系统验证了所提方法的有效性。
引用
@article{arxiv.2202.11295,
title = {Continual learning-based probabilistic slow feature analysis for multimode dynamic process monitoring},
author = {Jingxin Zhang and Donghua Zhou and Maoyin Chen and Xia Hong},
journal= {arXiv preprint arXiv:2202.11295},
year = {2022}
}
备注
This paper has been submitted to IEEE Transactions on Automation Science and Engineering for potential publication