[发明专利]一种跨域预测的元不变特征空间学习方法

权利要求书

1.一种跨域预测的元不变特征空间学习方法，其特征在于：将已有数控加工刀具磨损数据作为源域数据，并对源域数据进行分组，第j组数据记作D_j，进而对分组后的数据进行配对，第i个配对数据记作(D_j，D_k)_i，每个配对中分别针对D_j和D_k建立预测模型和进而构建第i个配对数据的不变特征空间学习模型通过协同训练学习每个配对数据的不变特征空间；以不变特征空间学习模型为基模型，通过元学习方法学习不同配对之间的元不变特征空间，得到元不变特征空间学习模型f_φ，进而基于元不变特征空间学习模型对目标域进行预测；所述不变特征空间学习模型包括预测模型和以上两个预测模型通过神经网络构建，输入不同分组下的输入量X^S和X^T，输出预测目标量Y^S和Y^T和隐变量Z，构建损失函数L：

其中L_M是两个预测模型隐变量Z的匹配损失，和分别是两个预测模型的输入量X^S和X^T的重构损失，和分别是两个预测模型的预测输出Y^S和Y^T的损失。

2.根据权利要求1所述的跨域预测的元不变特征空间学习方法，其特征在于：所述对源域数据的分组方法是指将特定分布下的源域数据分为一组。

3.根据权利要求1所述的跨域预测的元不变特征空间学习方法，其特征在于：所述的配对方法是通过度量不同分组中数据分布的距离，选择分布距离最小的两组数据进行配对，分布度量方法为最大均值差异。

4.根据权利要求1所述的跨域预测的元不变特征空间学习方法，其特征在于：所述的元不变特征空间学习模型f_Φ的建立是通过元学习方法，从多个不变特征空间中学习其变化规律，其中元学习器的参数记作Φ，基模型的参数记作θ_i，Φ和θ_i通过梯度下降迭代更新：

式中：α和β是学习率参数，是一种固定的超参数，表示不变特征空间模型损失函数的梯度，表示第i个任务的损失函数，表示第i个不变特征空间模型，表示元不变特征空间模型损失函数的梯度，T_i表示第i个学习任务，p表示学习任务的分布，T表示学习任务；

所述的对目标域进行预测是指将目标域数据与已有的一组源域数据进行配对，基于元不变特征空间学习模型对目标域进行预测；通过目标域数据和选择配对的源域数据对元不变特征空间学习模型进行微调：

从而得到目标的预测模型式中θ_new表示目标预测模型的参数，表示目标预测任务。