基于改进的在线迁移学习算法的电池高压故障预警

锂电池作为一种电化学设备,在发生故障前的特征较为复杂,难以分析,并且生产环境中故障样本数量较少,正负样本比例严重不平衡。针对以上问题,本工作提出基于改进的在线迁移学习算法的电池高压故障预警。首先,引入下采样技术,解决样本不均衡问题,从而降低计算资源的使用。在电池高压故障预警场景下,设计分段下采样策略,使得算法模型在故障发生前能学习到更多细微的特征。其次,提出基于分批增量学习的在线迁移学习方法(homogeneous online transfer learning under incremental training,HomOTL-UIT),源域中训练的离线分类器需要在合适的时间进行更新,以此来适应目标域中不断变化的数据分布,解决数据分布偏移和在线迁移学习退化为在线学习的问题。分批处理降低多次训练带来的计算资源的开销,通过增量学习,不断从目标域中学习,从而不断提高离线分类器的准确度。然后,设计一种滑动窗口下的F1-score评分方法,解决模型权重缓慢失衡问题,从而提高模型的准确性。最后,通过储能集装箱的运行数据验证所提出方法的有效性和准确性,在正负样本严重不均衡时,F1-score达到0.88。

基于决策树局部相似性的多源在线迁移学习

近年来,在线学习算法得到了快速发展,VFDT算法在在线学习领域得到了广泛关注。VFDT算法需要满足Hoeffding边界才有可能进行分裂,这就导致在不满足Hoeffding边界时VFDT的分类性能较差。迁移学习在近年来得到飞速发展,本文尝试使用迁移学习算法弥补VFDT算法的不足。本文首先在VFDT的节点中存储少量样本,且随着VFDT的更新将这些样本传递到叶节点当中。本文基于VFDT提出一种单源在线迁移学习算法——DOTL。实验结果表明,将样本传递到叶节点能有效提高VFDT分类准确率,单源在线迁移学习算法DOTL能有效地从单个源领域迁移知识,与VFDT对比具有较高的准确率。

一种基于局部分类精度的概念漂移数据流分类算法

概念漂移数据流分类是一个极具挑战性的问题。当新概念出现时,该概念下的学习样本过少,无法对分类器进行及时调整,进而导致分类精度不高。为了解决该问题,本文提出一种基于局部分类精度的概念漂移数据流分类算法——LA-MS-CDC。第一,LA-MS-CDC将k-means聚类和局部分类精度算法结合,从分类器池中挑选出最优源领域分类器;第二,将最优源领域分类器与目标领域分类器加权集成,进而对样本分类;第三,根据分类样本的真实标签分别计算各分类器的损失,并对目标领域和源领域的分类器权重进行更新;第四,再利用该分类样本对目标领域分类器、最优源领域分类器进行更新;最后,完成分类器池的更新。在公开数据集上的实验结果表明,LA-MS-CDC能够有效地将源领域知识迁移到目标领域,与现有方法相比,其分类效果具有显著性提升。算法代码可在https://gitee.com/ymw12345/LAMSCDC上获取。