基于半監(jiān)督特征融合小樣本學(xué)習(xí)的故障診斷模型分析目錄TOC\o"1-3"\h\u5193基于半監(jiān)督特征融合小樣本學(xué)習(xí)的故障診斷模型分析 [26]，即在數(shù)據(jù)中隨機(jī)選擇區(qū)域，將區(qū)域內(nèi)數(shù)據(jù)置零。 如圖所示2.13，第一張圖片是原始數(shù)據(jù)，其余圖片為Cutout數(shù)目不同的強(qiáng)增強(qiáng)數(shù)據(jù)。 本文，Cutout數(shù)目可選范圍為3，4，5，概率均為33.3%。圖STYLEREF1\s2.SEQ圖\*ARABIC\s112弱增強(qiáng)示意圖圖STYLEREF1\s2.SEQ圖\*ARABIC\s113強(qiáng)增強(qiáng)示意圖小樣本學(xué)習(xí)方法小樣本學(xué)習(xí)介紹小樣本學(xué)習(xí)有別于傳統(tǒng)的有監(jiān)督學(xué)習(xí)，其無法獲得與測試集同類別的數(shù)據(jù)來訓(xùn)練模型。因此，小樣本學(xué)習(xí)致力于跨領(lǐng)域?qū)W習(xí)知識，即使用源域的數(shù)據(jù)訓(xùn)練模型，使其能在目標(biāo)域仍能有較好的性能，如圖2.14所示，源域與目標(biāo)域中的數(shù)據(jù)類別不同。在使用源域數(shù)據(jù)學(xué)習(xí)知識的過程中，小樣本學(xué)習(xí)的方法是通過將源域數(shù)據(jù)分割成任務(wù)，以任務(wù)的形式進(jìn)行情景訓(xùn)練。具體來說，在使用源域數(shù)據(jù)訓(xùn)練得到的特征提取網(wǎng)絡(luò)后，固定特征提取網(wǎng)絡(luò)。此時(shí)，將數(shù)據(jù)按照所屬類別分類，再從各類別中分別挑選少量數(shù)據(jù)形成一個(gè)任務(wù)，其中數(shù)據(jù)分成訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)，以此訓(xùn)練度量網(wǎng)絡(luò)。情景訓(xùn)練如圖4.15所示.源域中訓(xùn)練結(jié)束后，特征提取網(wǎng)絡(luò)連接度量網(wǎng)絡(luò)即為目標(biāo)域數(shù)據(jù)的分類網(wǎng)絡(luò)，結(jié)構(gòu)如圖4.16所示。圖STYLEREF1\s2.SEQ圖\*ARABIC\s114小樣本學(xué)習(xí)示意圖圖STYLEREF1\s2.SEQ圖\*ARABIC\s115情景訓(xùn)練示意圖圖STYLEREF1\s2.SEQ圖\*ARABIC\s116目標(biāo)域數(shù)據(jù)的分類網(wǎng)絡(luò)故障診斷任務(wù)定義源域中的每一任務(wù)中，我們含有支撐集SS={x0S,y0S,…,(xnS,ynS)}與問詢集QS={為了充分使用源域中有限的故障數(shù)據(jù)，我們的支撐集SS為CS-way，K-shot形式，問詢集QS為CS-way，M-shot形式。目標(biāo)域中支撐集ST為CT-way，K-shot形式，問詢集QT為CT-way，M-shot形式。其中CS是源域中故障類別數(shù)目，CT是目標(biāo)域中故障類別數(shù)目，K應(yīng)較小，M大小沒有要求。訓(xùn)練過程經(jīng)過半監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練，我們得到了一個(gè)能夠輸出有效區(qū)分的特征的特征提取網(wǎng)絡(luò)。特征提取網(wǎng)絡(luò)連接度量學(xué)習(xí)網(wǎng)絡(luò)就可以完成小樣本學(xué)習(xí)，結(jié)構(gòu)如圖2.16所示。對來自源域的任務(wù)TS，其支撐集為SS={xS1S,yS1S,…,(xSnS,ySnS)}與問詢集為y其中權(quán)重w[,]是通過度量特征之間距離與softmax函數(shù)計(jì)算的。w 其中距離函數(shù)d[,]為二者間的余弦距離，?τ是使距離值小的預(yù)測權(quán)重更大的參數(shù)。 有yQi與yL 總損失函數(shù)為L 通過優(yōu)化損失函數(shù)即求得最終模型。 此時(shí)對來自目標(biāo)域的數(shù)據(jù)，通過公式2-4即可得到問詢集中數(shù)據(jù)的預(yù)測標(biāo)簽。模型代碼模型總體訓(xùn)練流程如算法1所示。算法1：半監(jiān)督特征融合小樣本學(xué)習(xí)網(wǎng)絡(luò)學(xué)習(xí)過程需要：源域數(shù)據(jù)XS，半監(jiān)督數(shù)據(jù)XU，半監(jiān)督訓(xùn)練訓(xùn)練最小批大小m，訓(xùn)練步驟nfe，學(xué)習(xí)率αf1:初始化半監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)θ2:fort=1,…,nfe3:從XS與XU中采樣得到批數(shù)據(jù)X4:θFE5:endfor6:固定θFE并初始化度量學(xué)習(xí)網(wǎng)絡(luò)參數(shù)7: