[发明专利]一种跨域预测的元不变特征空间学习方法

说明书

一种跨域预测的元不变特征空间学习方法，其特征是将已有数据作为源域数据，并对源域数据进行分组配对；分别针对每个配对中的数据建立预测模型，进而构建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，进而基于元不变特征空间学习模型对目标域进行预测。本发明通过协同学习的方式获得两种工况下的不变特征空间，解决边缘分布适应问题。提高了跨域下的预测精度。

技术领域

本发明涉及人工智能领域，尤其是涉及一种面向智能制造的跨域预测方法，具体地说是一种跨域预测的元不变特征空间学习方法。

背景技术

跨域预测是机器学习领域一个重要的研究问题，在制造领域主要原因是因为工况的大幅度变化，数据的边缘分布和条件分布差异较大，难以通过在源域上训练的模型适应新的工况，制造领域一个典型的问题就是刀具磨损预测。刀具磨损实时监测对加工过程的动态控制具有重要的意义，尤其是针对使用大量难加工材料的飞机复杂零件，其加工过程中刀具磨损严重影响了零件的加工质量，刀具磨损的预测十分困难。数据驱动方法从大量加工数据中自主学习出数据驱动模型，能在一定误差范围内等效于复杂的机理模型，为刀具磨损精确预测提供了一种新思路。深度学习作为一种典型的数据驱动方法，目前在工况不断变化的情况下仍然难以准确监测刀具磨损，其原因在于深度学习的训练需要大量不同工况下的带标签样本数据，而实际加工过程中样本数据非常难以获取。最新的研究基于元学习等小样本多任务学习方法实现了变工况下刀具磨损量的定量预测，但是也仅适用于切削参数变化等小工况情况，无法实现较大切削参数变化、刀具直径变化、刀具材料变化和零件材料变化等大工况变化下的刀具磨损精确预测。

以上问题在机器学习领域，本质上是通过模型学习得到跨域下输入和输出的联合概率分布P(X,Y)，根据贝叶斯定理，模型的预测精度和适应性体现在边缘分布P(X)和条件分布P(Y|X)两方面。其中，边缘分布P(X)是指输入量的数据分布，条件分布P(Y|X)是指模型的参数分布。在跨域预测问题中，边缘分布和条件分布差距均较大。这类分布适应(Distribution Adaptation)问题的常见解决方式是采用迁移学习，但是绝大多数迁移学习方法侧重解决单一边缘分布不同或者单一条件分布不同的问题，且对目标数据有一定的样本量需求，针对以上问题存在局限性。本专利提出一种跨域预测的元不变特征空间学习方法，从数据的边缘分布和模型的条件分布两方面分别进行分布适应，从而实现跨域的精确预测。

发明内容

本发明的目的是针对跨域预测的问题，提出了一种元不变特征空间学习方法，以不变特征空间学习模型为基模型，通过元学习方法学习元不变特征空间，进而基于元不变特征空间学习模型对目标域进行预测。

本发明的技术方案是：

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。

进一步，所述对源域数据的分组方法，将特定分布下的源域数据分为一组。

进一步，所述的配对方法，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，优选的分布度量方法为最大均值差异，即MMD。

进一步，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可通过神经网络构建，输入不同分组下的输入量，输出预测目标量和隐变量，构建损失函数L：