买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜哈尔滨理工大学申请的专利基于对抗联合最大均值差异的时序无监督分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114638310B 。

龙图腾网通过国家知识产权局官网在2025-05-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210281313.3，技术领域涉及：G06F18/241；该发明授权基于对抗联合最大均值差异的时序无监督分类方法是由席亮;梁钰佳;梁晨晨设计研发完成，并于2022-03-22向国家知识产权局提交的专利申请。

本基于对抗联合最大均值差异的时序无监督分类方法在说明书摘要公布了：本发明提出一种基于对抗联合最大均值差异的时间序列数据无监督分类方法，属于时序数据分类领域。针对高维时序数据对标签的依赖问题以及传统的领域适应方法只从单方面进行域适应的问题，提出一种基于对抗联合最大均值差异的时间序列数据无监督分类方法。本发明创新性地将基于特征映射和基于对抗的两种领域适应方法结合，使用联合最大均值差异距离度量将源域和目标域映射到另一个空间进行对齐，同时还通过域对抗模型进行对抗训练，能更好地提取源域时序数据和目标域时序数据的共同特征进行领域适应。将所提的网络模型应用于时序数据的无监督分类，能达到提升准确率的目的，实验结果验证了所提方法的有效性。

本发明授权基于对抗联合最大均值差异的时序无监督分类方法在权利要求书中公布了：1.一种基于对抗联合最大均值差异的时间序列数据无监督分类方法，其特征在于该方法包括以下步骤：步骤1：数据预处理，包括对数据进行标准化和数据集的划分；所述数据为轴承数据集，源域为转速等于1500rpm、负载转矩为0.7Nm、径向力等于1000N的数据，目标域为转速等于900rpm、负载转矩等于0.7Nm、径向力等于1000N的数据；步骤2：模型预训练阶段，训练一个能有效分类源域数据的分类器；步骤3：模型正式训练阶段，使用基于对抗联合最大均值差异的领域适应方法进行训练；步骤4：模型测试阶段，使用训练好的模型测试目标域的数据；所述步骤2中的预训练模块，具体步骤为：步骤2_1将源域训练集数据输入CNN特征提取器进行特征提取；步骤2_2将提取的源域特征输入分类器进行标签分类；步骤2_3将预测标签与源域样本的真实标签使用交叉熵损失函数计算分类损失步骤2_4反向传播分类损失的梯度；步骤2_5计算源域验证集准确率，若有提升再计算源域测试集准确率，记录下最大的源域测试准确率；步骤2_6判断当前迭代次数是否小于等于50，若是则跳转到步骤2_1继续训练，否则退出预训练进入正式训练阶段；所述步骤3中的正式训练模块，具体步骤为：步骤3_1输入源域和目标域训练集数据；步骤3_2将源域和目标域训练数据输入CNN特征提取器进行特征提取；步骤3_3将提取的源域和目标域特征输入分类器进行标签分类；步骤3_4同预训练的步骤2_3，使用源域样本的真实标签与交叉熵损失函数计算分类损失步骤3_5计算联合最大均值差异损失的计算需要用到特征提取器的输出fs、ft和分类器的输出cs、ct，计算公式如下： 其中表示再生希尔伯特空间reproducingkernelHilbertspace,RKHS，表示核函数，选取高斯核函数高斯核映射无穷维空间，z是特定层的集合，包括特征提取层和分类层的最后一层的输出zf和zc，f·为特征提取器，xs代表源域，xt代表目标域；步骤3_6计算域对抗损失将步骤3_2提取的源域目标域特征fs、ft输入域鉴别器d·，进行域分类，得到域分类损失其中域分类损失使用二进制交叉熵函数计算，公式如下： 为域分类损失，ns代表源域样本数据的个数，代表源域中第i个样本数据，代表目标域中第i个样本数据，nt代表目标域样本数据的个数步骤3_7计算总损失公式如下： 其中为联合最大均值差异损失，为交叉熵损失函数计算分类损失，λ代表JMMD损失的权衡参数，范围为[0,1]；步骤3_8根据步骤3_7中的总损失值进行梯度反向传播，其中和正常反向传播，通过梯度反转层GradientReversalLayer,GRL对梯度取反后再反向传播，达到对抗训练的目的。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人哈尔滨理工大学，其通讯地址为：150080 黑龙江省哈尔滨市南岗区学府路52号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。