基于多源域深度域自适应的脑力负荷识别

为了解决脑力负荷识别模型在跨被试场景下泛化性能差的问题,本文构建了基于多源域深度域自适应的脑力负荷识别模型。使用预处理后的脑电和心电信号,首先通过基于最大均值差异的源域优选算法筛选出与目标域被试数据分布相近的源域被试集合;然后引入动态对抗域自适应网络,以对抗训练的形式同时适配源域和目标域数据的边缘分布与条件分布;最后采用集成学习策略对不同源域训练出的模型分类结果进行投票集成,以提高脑力负荷识别的准确性和稳定性。实验结果表明,该模型在WAUC数据集的跨被试脑力负荷识别任务中具有较好的识别准确率和鲁棒性。

基于迁移学习的刀具剩余寿命预测方法

在新加工工艺条件下,针对历史工艺条件下的刀具剩余寿命预测模型失效,且新工艺条件下缺乏足够的训练样本构建新预测模型的问题,提出一种基于动态对抗域适应的迁移学习方法,以快速构建新工艺条件下的刀具剩余寿命预测模型。首先,利用历史工艺条件下带寿命标签的过程监控数据样本,预训练源域的刀具剩余寿命预测模型。其次,通过对抗域适应训练,利用新工艺条件下的少量目标域样本,对源域预训练得到的预测模型进行部分模型参数的调整。利用调整后的模型进行新工艺条件下的刀具剩余寿命预测。最后,更新目标域样本,重复进行对抗域适应训练与预测操作,直至结束。以轮槽铣刀的加工为例,验证了所提方法的有效性。