专利交易市场

基于宽度迁移学习的搅拌釜反应物浓度预测模型构建方法，属于连续搅拌釜反应器中反应物浓度的预测技术领域。它包括以下步骤：(1)数据的获取和整合；(2)模型建立；(3)模型预测。本发明构建的模型将不需要目标域标签的迁移学习方法引入搅拌釜反应物浓度预测领域，可有效解决连续搅拌釜反应器生成过程无法测得足够的反应物浓度来评价产品质量问题；本发明使用的迁移学习方法，选取反应物浓度为预测标签，可以解决一个工况有标签，另一个工况没有标签的域适应问题，并提高了预测性能。

一种基于特征迁移学习的多工况过程软测量建模方法，包括以下步骤：(1)获取连续搅拌釜式反应器的多工况过程变量数据集；(2)多工况数据的预处理以及数据集划分；(3)不同工况下的数据特征分布匹配迁移训练；(4)建立域适应极限学习机软测量模型；(5)将特征分布匹配好的新训练数据送入软测量模型训练并进行预测评估。本发明利用特征迁移方法将相关工况数据特征信息迁移到标签数据缺乏的工况中，有效提升了软测量模型对标签数据缺乏的工况的预测准确度。

本发明公开了一种基于多工况分布式输出过程补偿迁移建模方法，通过在标签空间变换将已知的少量目标域数据标签空间特性迁移到源域数据的标签空间中，以更好的减少不同工况间分布式输出过程数据标签空间分布的差异性，本发明所提出的基于高斯过程回归模型的偏差补偿迁移方法有效地处理了苯乙烯自由基聚合反应中多工况和大噪声特性，并增强了预测的鲁棒性和准确性。

本发明涉及图像处理技术领域，尤其涉及一种面向钢材表面缺陷检测的迁移学习方法，包括通过工业相机获取钢材表面图像样本并对图像样本进行预处理，将预处理后的钢材图像样本分为源域和目标域，并对源域钢材缺陷样本进行标记；采用ResNet50网络提取源域和目标域的钢材缺陷特征，并将源域和目标域数据映射到联合子空间内；通过线性判别分析方法对高维特征进行降维处理实现源域和目标域子空间对齐；从源域和目标域两个方面选择目标域样本子集进行伪标记，通过迭代学习完成对所有目标域钢材表面缺陷样本的伪标记。本发明能够准确、快速的钢材表面缺陷进行检测，并提高钢材表面缺陷检测的泛化能力，降低缺陷检测对数据量的要求。

本发明提供一种深度多特征动态对抗的变工况下旋转机械迁移诊断方法，利用深度神经网络对所述旋转机械关键部件的振动信号进行特征提取，得到轴承健康状态的特征；将轴承健康状态的特征向量和类别预测向量进行多线性映射融合，并进行动态多特征对抗迁移诊断训练：通过总损失函数反向传播对动态多特征对抗迁移诊断网络进行优化；总损失函数包括标签分类器损失函数、动态鉴别损失和MMD损失，动态鉴别损失中设有动态对抗因子；优化后的动态多特征对抗迁移诊断网络输入目标域机械设备的监测数据集，输出目标域装备健康状态。本发明方法提高了目标域工况健康状态的识别精度，能有效识别变工况下旋转机械的健康状态。