[发明专利]一种多传感器数据异质域适应的方法

说明书

本发明提供了一种多传感器数据异质域适应的方法。其通过学习多个转换，每个领域都有一个独立的转换，将数据映射到一个共享的潜在空间，在这个空间中，各领域是完全一致的,通过一个有效的公式，在一个统一的框架内联合优化多个转换，为了学习稳健的转换，提出了一种新的地标选择算法，对样本进行重新加权，即增加枢纽样本的权重，降低异常值的权重，能够解决现有技术中大量多种传感数据信息具有源域数据无标签、特征维度不相同等问题。

技术领域

本发明涉及工程可靠性分析技术领域，具体涉及一种多传感器数据异质域适应的方法。

背景技术

目前，对于现实世界应用中最常见的泛化环境中的无监督异质领域适应，还没有充分的探索。现有的方法要么局限于特殊情况，要么需要标记的目标样本进行训练。

而针对新能源电池热失控监测环节，对于获取的大量多种传感数据信息，其具有源域数据无标签、特征维度不相同等问题，具有无监督异质领域适应所面临的问题。

发明内容

针对上述现有技术中的问题，本发明提出了一种多传感器数据异质域适应的方法，目的是为了解决大量多种传感数据信息具有源域数据无标签、特征维度不相同等问题。

为了实现以上目的，本发明采用以下技术方案：

一种多传感器数据异质域适应的方法，其包括以下步骤：

S1，利用传感器对新能源电池进行热失控监测，获得采集数据的源样本集矩阵X_S及其标签，同时获取对应的目标样本集矩阵X_t、样本邻居数、子空间维度、罚参数λ、罚参数β和罚参数γ；其中，用X表示X_S和X_t；

S2，使用线性内核投影X，得到核心矩阵K，初始化G＝I，I表示特征矩阵；

S3，构建图结构，得到图的拉普拉斯系数矩阵L；

S4，计算最大均值差异MMD矩阵M；

S5，通过解决中的特征分解问题来优化投影矩阵P，其中，Λ为一个拉格朗日乘数，是一个对角矩阵，H＝I_n-(1/n)1_n，1_n是所有元素都等于1的n×n矩阵，I_n表示n×n的特征矩阵I；

S6，通过

S7，更新X_t的标签和图的拉普拉斯系数矩阵L；

S8，更新权重向量α；

S9，重复S4–S8，直到收敛或最大迭代；

S10，输出X_t的标签信息，通过P将K_t和K_s投射到所学习的子空间，即和之后根据输出的X_t标签信息用支持向量机SVM对子空间中的Z_t进行分类，Z_s被用作参考；其中K_t为目标核心矩阵，K_s为源样本核心矩阵，pⁱ表示P的第i行。

与现有技术相比，本发明的至少具有以下有益效果：

1、只涉及简单而快速的整数运算，时间复杂度与空间复杂度低于现有方法中的矩阵运算和浮点运算；

2、适用于任意的样本维度，可根据实际场景需要增减不同类别传感器，且不需要对传感器数据进行标记的目样本进行训练；

3、可兼容不同种类与不同数据精度传感器，处理异质或同质的特征，独立的特征维度，多个领域，并且使HDA向无监督学习更进一步(传统的降维方式可能会丢失重要信息)；

4、应用全新的地标选择和样本复权的方法，可以学习更适合不同传感器数据集的投影，并且不同的投影都有相同的目的。

附图说明

图1显示了本发明的标签一致性保存和样本权重的示意图；

图2显示了本发明进行数据异质域适应的流程图。