不平衡小样本基于局部域对抗适应网络的发动机振动预测模型
CAAI Transactions on Intelligent Systems（2023）
摘要
在发动机振动预测中,实际装配数据样本量小且类别不平衡,难以直接建立有效的预测模型.迁移学习方法能够通过迁移源域知识来提高目标域模型性能,为此,本文提出了基于局部域对抗适应网络的发动机振动预测模型.将领域按标签分为多个局部域,通过多个局部域对抗适应网络将目标域样本映射到源域,保证小样本中的少数类得到正确迁移.并通过伪标签来解决目标样本的域转换,使用源域分类器给出可靠的预测结果.本文在多个真实数据集上验证了所提方法的有效性和泛化性,与其他方法相比,振动预测准确率能够平均提升15%左右.
更多关键词
imbalanced data,domain adaptation,adversarial learning,vibration prediction,heterogeneous transfer learn-ing,target domain,few-shot learning,feature space
AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要