基于深度原型网络的域适应故障诊断
信号处理
2021-01-28 v2
摘要
由于数据集偏移的存在，在真实工业应用中从不同工况获取的数据分布呈现出显著差异，导致传统机器学习方法性能下降。本文提供了一种将监督域适应与原型学习相结合的故障诊断框架。域适应的主要思想是采用 Siamese 架构学习一个潜空间，使得源域与目标域映射后的特征类间可分离、类内相似。此外，原型层利用 Siamese 架构提取的特征学习每一类的原型表示。该监督方法颇具吸引力，因其仅需极少标注目标样本。而且，它可进一步扩展以处理源域与目标域类别不完全重叠的问题。模型必须泛化到源数据集中未见的类别，且仅给定每个新目标类别的少量样本。在凯斯西储大学轴承数据集上的实验结果表明了所提框架的有效性。随着训练中目标样本增多，模型迅速收敛并达到高分类准确率。
引用
@article{arxiv.1912.03688,
title = {Deep Prototypical Networks Based Domain Adaptation for Fault Diagnosis},
author = {Huanjie Wang and Jie Tan and Xiwei Bai and Jiechao Yang},
journal= {arXiv preprint arXiv:1912.03688},
year = {2021}
}