基于伪标签的弱监督迁移学习模型

• 作者: 侯鑫烨 董增寿 刘鑫
• 来源期刊: 机床与液压
• 学科: 工学
• 关键词: 弱监督学习 域自适应 伪标签 迁移学习
• 年，卷（期）: 2021,（24）
• 所属期刊栏目: 故障诊断与可靠性|FAULT DIAGNOSIS & RELIABILITY
• 页码范围: 185-189
• 页数: 5页
• 分类号: TH165+.3
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3881.2021.24.035

摘要

针对目标域标记数据少导致迁移模型泛化能力差的问题,提出基于伪标签的半监督迁移学习模型WSTLPL.卷积神经网络用于学习原始振动数据的可迁移特征,用源域数据预训练网络;利用该网络预测目标域数据类别,将分类概率最大的类标签作为数据的伪标签.根据域自适应和伪标签学习的正则化项,对神经网络的参数施加约束,以减少学习到的可迁移特征的分布差异.结果表明:与现有诊断模型相比,该迁移模型的准确率更高.