買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜哈爾濱理工大學申請的專利基于對抗聯合最大均值差異的時序無監督分類方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN114638310B 。

龍圖騰網通過國家知識產權局官網在2025-05-06發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202210281313.3，技術領域涉及：G06F18/241；該發明授權基于對抗聯合最大均值差異的時序無監督分類方法是由席亮;梁鈺佳;梁晨晨設計研發完成，并于2022-03-22向國家知識產權局提交的專利申請。

本基于對抗聯合最大均值差異的時序無監督分類方法在說明書摘要公布了：本發明提出一種基于對抗聯合最大均值差異的時間序列數據無監督分類方法，屬于時序數據分類領域。針對高維時序數據對標簽的依賴問題以及傳統的領域適應方法只從單方面進行域適應的問題，提出一種基于對抗聯合最大均值差異的時間序列數據無監督分類方法。本發明創新性地將基于特征映射和基于對抗的兩種領域適應方法結合，使用聯合最大均值差異距離度量將源域和目標域映射到另一個空間進行對齊，同時還通過域對抗模型進行對抗訓練，能更好地提取源域時序數據和目標域時序數據的共同特征進行領域適應。將所提的網絡模型應用于時序數據的無監督分類，能達到提升準確率的目的，實驗結果驗證了所提方法的有效性。

本發明授權基于對抗聯合最大均值差異的時序無監督分類方法在權利要求書中公布了：1.一種基于對抗聯合最大均值差異的時間序列數據無監督分類方法，其特征在于該方法包括以下步驟：步驟1：數據預處理，包括對數據進行標準化和數據集的劃分；所述數據為軸承數據集，源域為轉速等于1500rpm、負載轉矩為0.7Nm、徑向力等于1000N的數據，目標域為轉速等于900rpm、負載轉矩等于0.7Nm、徑向力等于1000N的數據；步驟2：模型預訓練階段，訓練一個能有效分類源域數據的分類器；步驟3：模型正式訓練階段，使用基于對抗聯合最大均值差異的領域適應方法進行訓練；步驟4：模型測試階段，使用訓練好的模型測試目標域的數據；所述步驟2中的預訓練模塊，具體步驟為：步驟2_1將源域訓練集數據輸入CNN特征提取器進行特征提取；步驟2_2將提取的源域特征輸入分類器進行標簽分類；步驟2_3將預測標簽與源域樣本的真實標簽使用交叉熵損失函數計算分類損失步驟2_4反向傳播分類損失的梯度；步驟2_5計算源域驗證集準確率，若有提升再計算源域測試集準確率，記錄下最大的源域測試準確率；步驟2_6判斷當前迭代次數是否小于等于50，若是則跳轉到步驟2_1繼續訓練，否則退出預訓練進入正式訓練階段；所述步驟3中的正式訓練模塊，具體步驟為：步驟3_1輸入源域和目標域訓練集數據；步驟3_2將源域和目標域訓練數據輸入CNN特征提取器進行特征提取；步驟3_3將提取的源域和目標域特征輸入分類器進行標簽分類；步驟3_4同預訓練的步驟2_3，使用源域樣本的真實標簽與交叉熵損失函數計算分類損失步驟3_5計算聯合最大均值差異損失的計算需要用到特征提取器的輸出fs、ft和分類器的輸出cs、ct，計算公式如下： 其中表示再生希爾伯特空間reproducingkernelHilbertspace,RKHS，表示核函數，選取高斯核函數高斯核映射無窮維空間，z是特定層的集合，包括特征提取層和分類層的最后一層的輸出zf和zc，f·為特征提取器，xs代表源域，xt代表目標域；步驟3_6計算域對抗損失將步驟3_2提取的源域目標域特征fs、ft輸入域鑒別器d·，進行域分類，得到域分類損失其中域分類損失使用二進制交叉熵函數計算，公式如下： 為域分類損失，ns代表源域樣本數據的個數，代表源域中第i個樣本數據，代表目標域中第i個樣本數據，nt代表目標域樣本數據的個數步驟3_7計算總損失公式如下： 其中為聯合最大均值差異損失，為交叉熵損失函數計算分類損失，λ代表JMMD損失的權衡參數，范圍為[0,1]；步驟3_8根據步驟3_7中的總損失值進行梯度反向傳播，其中和正常反向傳播，通過梯度反轉層GradientReversalLayer,GRL對梯度取反后再反向傳播，達到對抗訓練的目的。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人哈爾濱理工大學，其通訊地址為：150080 黑龍江省哈爾濱市南崗區學府路52號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。