(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110320095.5 (22)申请日 2021.03.25 (65)同一申请的已公布的文献号 申请公布号 CN 112989702 A (43)申请公布日 2021.06.18 (73)专利权人 河北工业大 学 地址 300000 天津市北辰区双口镇西平 道 5340号 (72)发明人 金亮　闫银刚　刘元凯　李育增　 刘素贞　张闯　杨庆新　 (74)专利代理 机构 天津企兴智财知识产权代理 有限公司 12 226 专利代理师 李彦彦 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 108921281 A,2018.1 1.30 CN 112231584 A,2021.01.15 CN 110660478 A,2020.01.07 徐梦炜等.面向移动终端智能的自治学习 系 统. 《软件学报》 .2020,(第10期), 审查员 许瑞雪 (54)发明名称 一种装备性能分析与预测的自学习方法 (57)摘要 本发明提供了一种装备性能分析与预测的 自学习方法， 包括以下步骤： S1、 数据读取模块， 获取历史设备数据集和目标设备数据集； S2、 构 建自学习模块， 基于深度学习或传统的机器学习 算法， 搭建一个装备性能分析与预测的自学习模 型， 该模型从历史设备数据中学习知识和技能， 迁移应用到目标设备中； S3、 构建性能预测模块， 根据已训练好的自学习模块对目标设备进行性 能分析与预测。 本发明所述的一种装 备性能分析 与预测的自学习方法能够从历史任务中学习知 识， 迁移应用到新任务中， 在目标设备缺少性能 数据标签的情况下， 也可以在较短时间内对其性 能做出高精度的预测， 为装备的智能设计与优化 提供了新的思路和实 践办法。 权利要求书2页 说明书7页 附图3页 CN 112989702 B 2022.08.02 CN 112989702 B 1.一种装备性能分析与预测的自学习方法， 其特 征在于， 包括以下步骤： S1、 数据读取模块， 获取历史设备 数据集和目标设备 数据集； S2、 构建自学习模块， 搭建装备性能分析与预测的自学习模型， 该模型从历史设备数据 中学习知识和技能， 迁移应用到目标设备中； 自学习模型的实现方法包括: 基于特征迁移 的装备自学习方法， 通过空间映射， 将历史设备和目标设备的数据特征 提取到特征空间中， 以达到设计参数特征层面的对齐， 进而实现数据知识在不同设备上 的 迁移应用； 基于特征迁移的装备自学习方法具体执 行步骤为： A1、 输入向量x ＝xh+xt， 其中xh代表历史装备设计参数向量， xt代表目标装备设计参数向 量； A2、 将向量xh和xt映射到特征空间中， 实现不同装备数据在特征层面的自适应， 经参数 提取网络 f＝Gf(x； θf)生成具有相同分布的N维参数特征 向量， 其过程表示为： Gf(x； W,b)＝ sigmoid(Wx+b)， 式 中sigmoid为参数提取网络的激活函数， W和b为当前层的权 重和偏置； A3、 xh所对应的向量通过回归预测网络Gy(x； θy)获得性能预测值y， 性能预测值y∈Y， Y 为有限集， 代表回归预测的标签空 间； xh和xt对应的参数特征向量均经过 设备区分网络得到 每个输入的设备区分结果d， 设备区分标签d＝{0,1}代表数据来 自于历史装备还是目标装 备， 计算回归预测损失函数， 若采用负对数似然作为损失函数， 则回归预测网络的网络损失 值表示为 若采用负对 数似然作为损失函数， 则设备区分网 络的损失值表示为 在网络训练和 反向传播过程中， 根据链式求 导法则， 求得 各个参数的梯度更新公式， 分别为： 其中 μ为网络学习率； A4、 在参数提取网络和设备区分网络之间加入一个梯度反转层， 使得两个网络优化目 标有所不同， 从而 形成一种对抗学习的关系， 最 终使预测模型整体达到最优状态， 输出目标 装备性能预测值y； S3、 构建性能预测模块， 根据已训练好的自学习模块对目标设备进行性能分析与预测。 2.根据权利要求1所述的一种装备性能分析与预测的自学习方法， 其特征在于， 步骤S2 中， 自学习模型的实现方法包括: 基于深度神经网络的装备自学习方法， 通过研究各层神经元所提取特征的通用性与 特 定性， 经过对神经网络的预训练和 微调， 进而实现从历史数据中学习知识和特征迁移应用 到新任务中。 3.根据权利要求2所述的一种 装备性能分析与预测的自学习方法， 其特征在于： 基于深 度神经网络的装备自学习方法具体执 行步骤为： B1、 使用历史装备数据集训练一个N层卷积神经网络， 学习历史装备的数据和特征， 训 练好的网络记作net A；权　利　要　求　书 1/2 页 2 CN 112989702 B 2B2、 利用步骤B1中网络netA的前n层权值初始化另一个新的N层卷积神经网络netB， 对 netB后N‑n层的参数进行随机初始化， 产生的网络为 netAnB； B3、 使用目标装备数据 集对netAnB进行进一步的训练， 更新各层的权值， 其 中迁移过来 的前n层参数也要经过微调， 即将训练得到的误差反向传播到前n层， 调整他们以适应新的 任务， 使得网络参数适应目标装备的数据。 4.根据权利要求3所述的一种 装备性能分析与预测的自学习方法， 其特征在于： 卷积神 经网络的训练过程包括两个阶段， 具体为： 阶段一为数据由低层次向高层次传播的阶段， 该阶段一为前向传播阶段； 在前向传播 过程中， 输入的数据经过多层卷积层的卷积和池化处理， 卷积层中的每一种输出 的特征图 xj有： 其中Mj表示选择的输入特征图组合， kij是输入的 第i种特征图和输出的第j种特征图之间的连接所用的卷积核； bj是第j种特征图对应的偏 置,f是激活函数， 提取出特征向量， 其中通过下采样层的池化操作， 下采样层的每一种输出 的特征图xj′有： 其中down表示下采样， βj′是乘性偏 置， bj′是加性偏置， 能够降低数据的维度， 避免过拟合， 最后将特征向量传入全连接层中， 得 出分类识别的结果， 当网络的输出值与目标值之间的误差小于期望值时， 输出 结果； 另一阶段为当误差大于期望值时， 将误差从高层次向底层次逐层的返回进行传播训 练， 若使用平方误差代价函数， 则误差函数表示为 c是标签的维度, 表示第n个样本的标签的第k维， 是第n个样本在网络中输出值的第k维， 然后进行权值 更新， 即反向传播阶段， 目的为通过训练样本和期望值来调整网络权值， 其中， 对于权值的 更新采用梯度下降法， 梯度下降法更新权值的公式如下： 其中η为网络学习率。权　利　要　求　书 2/2 页 3 CN 112989702 B 3