Bearing Fault Diagnosis Based on Deep Discriminative Adversarial Domain Adaptation Neural Networks

Intelligent diagnosis driven by big data for mechanical fault is an important means to ensure the safe operation ofequipment. In these methods, deep learning-based machinery fault diagnosis approaches have received increasingattention and achieved some results. It might lead to insufficient performance for using transfer learning alone andcause misclassification of target samples for domain bias when building deep models to learn domain-invariantfeatures. To address the above problems, a deep discriminative adversarial domain adaptation neural networkfor the bearing fault diagnosis model is proposed (DDADAN). In this method, the raw vibration data are firstlyconverted into frequency domain data by Fast Fourier Transform, and an improved deep convolutional neuralnetwork with wide first-layer kernels is used as a feature extractor to extract deep fault features. Then, domaininvariant features are learned from the fault data with correlation alignment-based domain adversarial training.Furthermore, to enhance the discriminative property of features, discriminative feature learning is embeddedinto this network to make the features compact, as well as separable between classes within the class. Finally, theperformance and anti-noise capability of the proposedmethod are evaluated using two sets of bearing fault datasets.The results demonstrate that the proposed method is capable of handling domain offset caused by differentworkingconditions and maintaining more than 97.53% accuracy on various transfer tasks. Furthermore, the proposedmethod can achieve high diagnostic accuracy under varying noise levels.

A Dual Discriminator Method for Generalized Zero-Shot Learning

Zero-shot learning enables the recognition of new class samples by migrating models learned from semanticfeatures and existing sample features to things that have never been seen before. The problems of consistencyof different types of features and domain shift problems are two of the critical issues in zero-shot learning. Toaddress both of these issues, this paper proposes a new modeling structure. The traditional approach mappedsemantic features and visual features into the same feature space;based on this, a dual discriminator approachis used in the proposed model. This dual discriminator approach can further enhance the consistency betweensemantic and visual features. At the same time, this approach can also align unseen class semantic features andtraining set samples, providing a portion of information about the unseen classes. In addition, a new feature fusionmethod is proposed in the model. This method is equivalent to adding perturbation to the seen class features,which can reduce the degree to which the classification results in the model are biased towards the seen classes.At the same time, this feature fusion method can provide part of the information of the unseen classes, improvingits classification accuracy in generalized zero-shot learning and reducing domain bias. The proposed method isvalidated and compared with othermethods on four datasets, and fromthe experimental results, it can be seen thatthe method proposed in this paper achieves promising results.

DETERMINING THE DISCRIMINATING DOMAIN FOR HYBRID LINEAR DIFFERENTIAL GAME WITH TWO PLAYERS AND TWO TARGETS

This paper studies a bounded discriminating domain for hybrid linear differential game with two players and two targets using viability theory. First of all, we prove that the convex hull of a closed set is also a discriminating domain if the set is a discriminating domain. Secondly, in order to determine that a bounded polyhedron is a discriminating domain, we give a result that it only needs to verify that the extreme points of the polyhedron meet the viability conditions. The difference between our result and the existing ones is that our result just needs to verify the finite points （extreme points） and the existing ones need to verify all points in the bounded polyhedron.

Unsupervised Domain Adaptation Based on Discriminative Subspace Learning for Cross-Project Defect Prediction

:Cross-project defect prediction(CPDP)aims to predict the defects on target project by using a prediction model built on source projects.The main problem in CPDP is the huge distribution gap between the source project and the target project,which prevents the prediction model from performing well.Most existing methods overlook the class discrimination of the learned features.Seeking an effective transferable model from the source project to the target project for CPDP is challenging.In this paper,we propose an unsupervised domain adaptation based on the discriminative subspace learning(DSL)approach for CPDP.DSL treats the data from two projects as being from two domains and maps the data into a common feature space.It employs crossdomain alignment with discriminative information from different projects to reduce the distribution difference of the data between different projects and incorporates the class discriminative information.Specifically,DSL first utilizes subspace learning based domain adaptation to reduce the distribution gap of data between different projects.Then,it makes full use of the class label information of the source project and transfers the discrimination ability of the source project to the target project in the common space.Comprehensive experiments on five projects verify that DSL can build an effective prediction model and improve the performance over the related competing methods by at least 7.10%and 11.08%in terms of G-measure and AUC.

Balanced Discriminative Transfer Feature Learning for Visual Domain Adaptation

Transfer learning aims to transfer source models to a target domain.Leveraging the feature matching can alleviate the domain shift effectively,but this process ignores the relationship of the marginal distribution matching and the conditional distribution matching.Simultaneously,the discriminative information of both domains is also neglected,which is important for improving the performance on the target domain.In this paper,we propose a novel method called Balanced Discriminative Transfer Feature Learning for Visual Domain Adaptation(BDTFL).The proposed method can adaptively balance the relationship of both distribution matchings and capture the category discriminative information of both domains.Therefore,balanced feature matching can achieve more accurate feature matching and adaptively adjust itself to different scenes.At the same time,discriminative information is exploited to alleviate category confusion during feature matching.And with assistance of the category discriminative information captured from both domains,the source classifier can be transferred to the target domain more accurately and boost the performance of target classification.Extensive experiments show the superiority of BDTFL on popular visual cross-domain benchmarks.

基于FastICA-LDA的光伏并网逆变器故障诊断

为了实现逆变器开路故障诊断,提出了一种新的诊断方法。该方法采用快速独立成分分析算法判定逆变器是否发生单管开路故障,如果发生单管开路故障,计算旋转电流Id频域下的特征值,将这些特征值作为线性判别分析模型的输入值,最后由LDA模型输出逆变器工作状态编号,从而实现单管开路定位。经过MATLAB仿真验证表明,所提方法对光伏并网逆变器故障的诊断效果较好。

可判别性标签语义指导的域适应检索

从不同领域准确检索相似的对象,域适应检索解决了信息检索中的域偏移问题.然而,现有的方法仍然存在两个问题:a)忽略了类结构差异造成的域偏移(跨域和域内不同类的距离较近);b)忽略了特征与标签之间的语义差异.为了解决上述两个问题,本文提出了一种高效的可判别性标签语义指导学习(DLSG)方法.该方法探索源域和目标域的类结构,通过拉大不同类的距离使得类别更具有判别性.然后通过标签语义指导学习(LSG)来增强特征的标签语义,以提高学习的有效性.此外,动态对齐边缘分布和条件分布,以减少域差异.最后,采用两步哈希策略生成高质量的哈希码.在多个跨域检索数据集上的实验表明,DLSG的性能得到了提高.

基于子空间域对抗判别网络的不同型号滚动轴承剩余寿命预测

针对不同型号滚动轴承因结构尺寸、运行工况等差异导致轴承退化数据分布和特征尺度不一致,引起剩余寿命预测精度下降的问题,提出基于子空间域对抗判别网络的不同型号滚动轴承剩余寿命预测方法。首先,通过高效通道注意力机制提升特征提取器各通道中重要特征的权重,自适应获取不同型号滚动轴承的深层性能退化特征,并以此预训练标签预测器;然后,在对抗判别网络框架上将域判别器与特征提取器对抗训练,最小化源域和目标域在表征子空间上的正交基距离,利用表征子空间正交基不受特征缩放影响的性质克服特征尺度变化过大引起的回归性能下降问题,实现不同型号滚动轴承间的域自适应;最后,利用训练好的特征提取器提取待预测轴承退化特征,输入标签预测器得到剩余寿命。在PRONOSTIA、XJTU-SY和自测数据集上进行了验证,实验结果表明所提方法能充分学习源域特征分布信息,有效克服不同型号下的特征尺度差异,相比其他域自适应方法效果提升20%至40%。

基于少数据样本的滚动轴承寿命分段预测方法

针对少数据样本下,滚动轴承难以准确预测剩余使用寿命(RUL)的问题,提出了一种结合卷积长短期记忆网络(ConvLSTM)与对抗性判别域自适应网络(ADDA)的轴承寿命分段预测方法。首先,利用稀疏概率自注意力机制对特征集进行了筛选,提取了具有时变性的特征集,以获取最优全局特征,确定分段点以作为ADDA模型的输入;然后,针对不同阶段的退化特点建立了相应的健康评估指标;对处于健康状态的轴承,利用ConvLSTM网络预测了轴承健康阶段的寿命,将健康阶段预测数据作为局部特征输入ADDA网络与最优特征集(全局特征),进行了对抗训练,以实现故障阶段的寿命预测,并使用全连接层输出滚动轴承的预测剩余使用寿命;最后,采用PHM2012数据集与工程试验数据分别对模型进行了验证。研究结果表明:相较于ConvLSTM模型、RNN-HI模型、CNN-LSTM模型,ConvLSTM-ADDA寿命预测方法的平均绝对误差分别降低了78.16%、53.14%、67.13%,平均得分分别提高了66.42%、92.81%、32.37%;相较于LSTM模型、CNN-LSTM模型以及Transformer模型,ConvLSTM-ADDA寿命预测方法的均方误差分别降低了80.11%、54.95%、55.94%。因此,该算法模型能够实现对较少数据样本的轴承寿命进行RUL预测的目的,且具有较高的精度。

基于时频感知双路径Conformer的语音增强

近年来,Conformer在语音领域的应用表现较为突出。该模块通过结合多头自注意力机制和卷积神经网络,能够同时关注短时和长时序列信息,从而在语音处理任务中表现出卓越的性能。在此基础上提出了一种基于时频感知双路径Conformer的语音增强网络(TFDPCNet)。首先,该网络将改进的Conformer结构作为核心,采用双路径结构,构成时频感知的双路径Conformer模块(TFDP-Conformer),增强了整体网络的时频提取能力;同时,为了减小时频特征融合的难度,提出了注意力门控交叉融合模块(AGCF),通过额外的注意力门进一步增强了网络训练过程中时频特征的交互,提高了时频特征的利用率;最后,引用度量鉴别器,并对其进行适当剪枝,使得增强后的音频和原始音频在量化评价指标上保持更高的一致性。实验结果表明,相比于TSTNN算法,TFDPCNet在主观和客观指标上都有明显提高。

结合判别分析和分布差异约束的领域适应方法

为解决领域适应过程中基于全局分布适配的特征变换造成的类别结构损失和局部特征损失问题,提出一种结合判别分析和分布差异约束的领域适应方法。构造领域数据分布均值距离度量用于领域间分布适配;构造类散度度量用于保持类别判别结构;基于数据局部分布信息设计不同类型的差异权重,分别用于约束域分布距离度量和类散度度量,实现判别保持和局部保持的联合优化;基于上述度量最优化的特征变换,将源域和目标域数据投影到子空间中实施分类任务。所提出的方法在领域适应过程中不仅能够缩小领域间分布差异,且兼顾类别判别保持和数据局部特征的保持,能有效提升域外数据重用的性能。在28组跨领域分类任务上的实验结果表明,所提出的方法在评价指标上优于已有的相关方法。

巷道电性源瞬变电磁响应三维数值模拟

近年来地面电性源得到成功应用,巷道电性源瞬变电磁探测将成为热点。本文采用三维时域有限差分法,对巷道底板以及巷道与巷道之间异常体的电性源瞬变电磁响应进行了模拟。模拟结果表明:对于巷道底板异常体,受异常体表面电荷影响,电场水平分量和垂直分量在异常体表面剧烈变化,水平电场对低阻体的分辨能力较强,对高阻体的分辨能力较弱,低阻体与高阻体的垂直电场响应的符号相反;低阻体和高阻体的∂B_(y)/∂t响应在早、晚期的符号相反,低阻体响应在早期的符号为负,晚期为正,而高阻体响应在早期的符号为正,晚期为负。对于巷道与巷道之间的异常体,水平电场对低阻体的分辨能力较强,对高阻体的分辨能力较弱;高阻体模型的∂B_(z)/∂t响应曲线高于背景曲线,低阻体模型的响应曲线低于背景曲线,说明磁场∂B_(z)/∂t响应对高阻体和低阻体均有分辨能力。

基于双鉴别器策略的空间感知型人群计数算法

人群计数是计算机视觉中的重要研究领域,为了精确计算静态图像或视频帧中的行人数,通常采用回归密度图法用于提高计数精度,然而,由于源域和目标域之间的域移位问题,模型在稀缺标签数据集上的泛化能力不足。文章提出了一种基于双鉴别器策略的空间感知型(spatial awareness of dual discriminator strategy,SADDS)域适应人群计数算法,旨在有效解决图像风格和人头尺度的差异。该算法在DSANET骨干网络VGG16的特征提取过程中融合了分层注意力机制(hierarchicalattentionmechanism,HAM),包括空间注意力机制(spatial attention mechanism,SAM)和全局注意力机制(global attention mechanism,GAM),同时采用全局和局部双鉴别器来减少域移位。通过在公开数据集上的实验,验证了该方法的有效性与优越性。

基于FDR和时频脉冲转换的长电缆缺陷极性识别研究

为解决采用频域反射技术进行长电缆缺陷检测时,其结果易受低频段数据缺失占比的影响,而难以判断电缆缺陷极性的问题,该文提出一种基于频域反射技术的电缆阻抗失配点时频脉冲转换算法以实现缺陷的定位和极性判别。首先,采用2阶Nuttall自卷积窗的快速傅里叶计算方法对不同类型的电缆阻抗失配点进行定位。其次,提出电缆阻抗失配点时频脉冲转换算法,利用高斯窄带包络信号良好的频段调节能力和时频特性,详细阐述了时频脉冲的参数设计和极性判断方法。之后,运用仿真,对不同类型的阻抗失配点进行时频脉冲转换,验证了该算法的有效性。最后,采用该算法对实验室含接头长1500m的10k V XLPE电缆进行实验验证。仿真和实验结果表明:时频脉冲转换算法可以有效地定位长电缆阻抗失配点并且实现不同类型阻抗失配点的极性识别;同时,不同长度电缆阻抗失配点的时频脉冲转换结果不受低频段数据缺失占比的影响,有效提高了长电缆阻抗失配点的极性识别率。

一种加密域鲁棒图像哈希算法

随着云计算的发展,越来越多的多媒体数据存储在云端,出于安全需要,往往需要对其加密后再上传至云端进行存储或运算等操作.针对加密图像,在不具备图像明文内容的情况下,为了认证图像内容的完整性和真实性,提出了一种基于Paillier同态加密的鲁棒图像哈希算法.该算法主要由3个部分构成:图像所有者端图像加密,云服务器端密文图像哈希计算以及接收者端明文图像哈希生成.具体地,图像所有者对图像进行Paillier加密,并将加密图像上传至云服务器,由云服务器利用Paillier密码系统的运算法则执行加密域DCT与Watson人眼视觉特征等的计算,并利用密钥控制的伪随机矩阵增加哈希的随机性,接收者解密并分析接收到的密文哈希,生成明文图像哈希.实验结果表明,所提算法在鲁棒性、唯一性和安全性上具有较理想的性能.

基于伪标签细化和语义对齐的异构域自适应

在进行跨域知识迁移时,现有异构域自适应方法忽略了伪标签和类别预测中语义属性的重要性,导致分类精度不高,为此提出新的异构域自适应方法.该方法匹配源域和目标域的条件分布和边缘分布,考虑源数据和目标数据在公共特征子空间的相似性,通过细化空间相似性的伪标签来增强目标域伪标签的置信度,使模型的分类精度提高.考虑同类的样本经过分类器输出后有相似的预测分布,构造语义预测空间中的域鉴别器,使模型的泛化性提升.不同特征表示的文本和图像的分类任务实验结果成功地验证了所提方法的优越性.

基于双源判别器的域自适应城市场景语义分割

域自适应分割网络是城市场景跨域语义分割的有效方法,但由于跨域数据集外观分布不同导致域差异,且网络对小目标分割精度不理想。针对该问题,提出基于双源判别器的域自适应分割方法。首先,对源域S使用风格转换方法FastPhotoStyle得到新源域S’,从图像层面降低域差异。然后,利用生成器分别提取源域S、新源域S’和目标域T的分割特征图,将新源域的特征图作为中间桥梁,分别与源域特征图,目标域特征图进行通道维度上的特征融合,将得到的2个融合后的特征图输入双源判别器中,双源判别器和生成器迭代进行对抗训练。由于该模型的判别器输入为双源特征,故称为双源判别器,双源输入的2个特征包含相似的特征信息,进一步从特征层面降低域差异。为了进一步提高分割精度,引入自训练的伪标签,同时针对训练时出现的类不平衡问题,提出在目标域的损失函数中引入类平衡因子,增加网络对小目标的分割能力。在2个分割任务GTA5→Cityscapes和SYNTHIA→Cityscapes上进行的实验证明了该方法的先进性和有效性。

基于迁移判别回归的跨域语音情感识别

针对实际情况下训练和测试数据来自不同领域数据库导致识别性能下降的问题,提出了一种基于迁移判别回归的跨域语音情感识别方法。首先,引入最大均值差异和图拉普拉斯项作为域间联合距离度量,在减小概率分布差异的同时,很好地保留数据的局部几何结构,从而学习到一个可迁移的公共特征表示。其次,本文采用一种能量保持策略,以避免迁移过程中目标域信息的丢失。此外,通过引入判别回归项,利用已标记的源域样本在公共子空间中训练一个可迁移的判别回归模型。最后,为了使学习到的模型具有特征选择能力和鲁棒性,分别对投影矩阵和回归项施加L2,1范数约束。在3个公开数据集上的实验结果表明,本文提出的算法相较于其他几种迁移学习方法具有更好的识别性能。

基于单词领域特征敏感的多领域神经机器翻译

鉴于现有基于单词的领域特征学习方法在领域识别上的精度较低,为提高领域判别和提供准确的翻译,提出一种单词级别的领域特征敏感学习机制,包括两方面:1)编码器端的上下文特征编码,为了扩展单词级别的领域特征学习范围,引入卷积神经网络,并行提取不同大小窗口的词串作为单词的上下文特征;2)强化的领域特征学习,设计基于多层感知机的领域判别器模块,增强从单词上下文特征中获取更准确领域比例的学习能力,提升单词的领域判别准确率。在多领域UM-Corpus英-汉和OPUS英-法翻译任务中的实验结果显示,所提方法平均BLEU值分别超过强基线模型0.82和1.06,单词的领域判别准确率比基线模型分别提升10.07%和18.06%。对实验结果的进一步分析表明,所提翻译模型性能的提升得益于所提出的单词领域特征敏感的学习机制。

基于太赫兹时域光谱技术的名贵动物药材龟甲的真伪品鉴别

目的:建立一种利用太赫兹时域光谱和多种化学计量学方法鉴别龟甲真伪的新方法。方法:选用正品乌龟和伪品红耳彩龟的腹甲进行实验,先用经典的性状鉴别、显微鉴别方法比较两种样品的典型性状特征,后利用太赫兹时域光谱仪测得样品的光谱信息,对样品谱图进行平滑处理和基线校准,并运用化学计量方法进行数据分析以区分正品和伪品龟甲。结果:性状鉴别结果显示完整正、伪品龟甲样品仅有细微差异,且其碎片或粉末基本无差异;显微鉴别未在两种样品中发现明显的特征差异性结构;两种样品的太赫兹时域光谱曲线图经快速傅里叶变换滤波器平滑滤波处理、正交偏最小二乘法判别分析处理后呈现显著差异。结论:利用太赫兹时域光谱技术结合正交偏最小二乘法判别分析可以实现龟甲真伪品的精准鉴别。