CN112966559B - 可靠主动域适应方法、环境感知方法、装置及存储介质 - Google Patents

可靠主动域适应方法、环境感知方法、装置及存储介质 Download PDF

Info

Publication number
CN112966559B
CN112966559B CN202110150615.2A CN202110150615A CN112966559B CN 112966559 B CN112966559 B CN 112966559B CN 202110150615 A CN202110150615 A CN 202110150615A CN 112966559 B CN112966559 B CN 112966559B
Authority
CN
China
Prior art keywords
classifier
sample
data set
module
target domain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110150615.2A
Other languages
English (en)
Other versions
CN112966559A (zh
Inventor
吕文君
康宇
李泽瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202110150615.2A priority Critical patent/CN112966559B/zh
Publication of CN112966559A publication Critical patent/CN112966559A/zh
Application granted granted Critical
Publication of CN112966559B publication Critical patent/CN112966559B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种可靠主动域适应方法、环境感知方法、装置及存储介质，属于技术领域，包括：构建数据集包括源域数据集和目标域数据集；计算数据集的投影矩阵和特征矩阵；设定模型参数；参数初始化；计算分类器预测误差；计算分类器样本权重矩阵；利用目标函数最小化求解分类器第ξ次迭代的输出层权重；令ξ自增1，如果ξ<Γ则计算分类器预测误差，否则进行样本均衡处理；令τ自增1，如果τ<Φ进行参数初始化，否则预测目标域无标注样本的类别。本发明能够在标签存在噪声的情况下，保持一定的鲁棒性；在出现较大漂移的情况下，能够主动请求目标域的关键样本打上标签并进行主动学习；能够防止数据类别不均衡情况下的过拟合问题。

Description

可靠主动域适应方法、环境感知方法、装置及存储介质
技术领域
本发明涉及环境感知技术领域，特别涉及一种可靠主动域适应方法、环境感知方法、装置及存储介质。
背景技术
在迁移学习中，当源域和目标的数据分布不同，但两个任务相同时，这种特殊的迁移学习叫做域适应。领域自适应问题定义为：源域和目标域共享相同的特征和类别，但是特征分布不同，可以利用信息丰富的源域样本来提升目标域模型的性能。源域表示与测试样本不同的领域，具有丰富的监督标注信息；目标域表示测试样本所在的领域，无标签或者只有少量标签。源域和目标域往往属于同一类任务，但是分布不同。
目前，已经出现了较多出色的域适应(DA)方法，主要分为三个部分：1)基于参数的DA；2)基于实例的DA；以及3)基于特征的DA。这其中深度学习域适应方法大多是基于特征的，这些方法可以进一步分为基于差异的DA和基于对抗的DA。域适应方法在环境感知中有较多的应用，比如轮式机器人在地面上运动时会遇到各种地形，而保证机器人安全地穿越地形、避免其处于危险环境是十分重要的。已有的研究主要集中于基于激光雷达或视觉传感器的对障碍物的识别。对于墙壁、石块等无法通过的障碍物，我们称之为“几何威胁”；对于地面本身可能也会对机器人产生威胁，这种威胁我们称之为“非几何威胁”，例如：机器人穿越疏松的沙地时可能陷入其中。通过实时的地形感知，机器人可以根据不用的地形采用不同的控制策略，使其能够安全有效的穿越不同的地形。因此，实时的地形感知对在野外工作的轮式机器人是十分重要的。
但由于训练集不可能包含所有可能的环境，而环境会随着地理位置不同、温度变化、天气情况而改变，也就是存在数据漂移问题，现有的域适应方法存在标签噪声敏感、无法解决较大漂移的问题、且没有考虑数据类别不均衡问题；特别是对于环境感知，还没有一种方法来解决数据漂移问题。
发明内容
本发明的目的在于克服上述背景技术中的不足，解决现有技术中存在的数据漂移问题，提高环境感知的精度。
为实现以上目的，第一方面，采用一种可靠主动域适应方法，包括如下步骤：
S1、构建有标签的源域数据集Ds和无标签的目标域数据集Dt，令主动域适应迭代次数τ＝1，源域数据集和目标域数据集中的数据为序列数据；
S2、令第一分类器和第二分类器初始的输出层权重
Figure GDA0003684133310000021
Figure GDA0003684133310000022
令分类器优化迭代次数ξ＝1；
S3、分别计算第一分类器和第二分类器的预测误差e1,i和e2,i；
S4、利用目标域数据集的投影矩阵Pt和样本矩阵Xt、预测误差e1,i和e2,i，基于目标函数最小化得到第ξ次迭代时第一分类器和第二分类器的输出层权重
Figure GDA0003684133310000023
S5、令ξ自增1，并判断是否满足ξ<Γ，Γ是分类器优化最大迭代次数，若是则执行步骤S3，若否则令
Figure GDA0003684133310000024
然后执行步骤S6；
S6、对
Figure GDA0003684133310000025
按行求二范数得到
Figure GDA0003684133310000026
并将δY中na个最大元素序号对应的样本打上标签，将na个打上标签后的样本从
Figure GDA0003684133310000027
中移至
Figure GDA0003684133310000028
中，更新源域数据集
Figure GDA0003684133310000029
和目标域数据集
Figure GDA00036841333100000210
的样本数量，其中，nt为目标域数据集中的样本数量，na是样本请求数量，
Figure GDA00036841333100000211
是第一分类器的预测结果，
Figure GDA0003684133310000031
是第二分类器的预测结果；
S7、令τ自增1，并判断是否满足τ<Φ，是则执行步骤S2，否则执行步骤S8；
S8、对于目标域数据集中的无标注样本x，采用
Figure GDA0003684133310000032
预测x对应的类别。
进一步地，所述分别计算第一分类器和第二分类器的预测误差e1,i和e2,i，包括：
计算所述第一分类器的预测误差
Figure GDA0003684133310000033
Figure GDA0003684133310000034
计算所述第二分类器的预测误差
Figure GDA0003684133310000035
Figure GDA0003684133310000036
其中，
Figure GDA0003684133310000037
为样本
Figure GDA0003684133310000038
对应的标签，C是标签的类别数量，ns为源域样本数量，
Figure GDA0003684133310000039
为所述第一分类器在第ξ-1次迭代时的输出层权重，
Figure GDA00036841333100000310
为所述第二分类器在第ξ-1次迭代时的输出层权重，
Figure GDA00036841333100000311
为源域特征矩阵的元素。
进一步地，所述目标函数为：
Figure GDA00036841333100000312
其中，ρ和λ均是权衡系数，Q是高斯函数的数量，
Figure GDA00036841333100000313
是所述目标域数据集的投影矩阵的转置，
Figure GDA00036841333100000314
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，||·||F是F范数，所述目标域数据集的投影矩阵
Figure GDA00036841333100000315
其中，d表示特征维度，D为样本维度；
所述目标域数据集的样本矩阵
Figure GDA0003684133310000041
Figure GDA0003684133310000042
表示所述目标域数据集中的样本，nt为所述目标域数据集中的样本数量。
进一步地，还包括：
设定主动域适应最大迭代次数Φ>2，分类器优化最大迭代次数Γ>2，设定样本请求数量na>0，设置权衡系数ρ>0、权重参数λ>0，特征维度d，设定高斯函数的数量Q、第q个高斯核宽σq(q＝1,2,…,Q)、高斯函数中心c以及高斯函数权重γq(q＝1,2,…,Q)的值；
还包括：
计算所述第一分类器和第二分类器的样本权重矩阵Λ1和Λ2，其中，样本权重矩阵Λ1的第i(i＝1,2,…,ns)个元素
Figure GDA0003684133310000043
Figure GDA0003684133310000044
样本权重矩阵Λ2的第i(i＝1,2,…,ns)个元素
Figure GDA0003684133310000045
Figure GDA0003684133310000046
Q表示使用的高斯核函数数量，σq表示第q(q＝1,2,…,Q)个高斯核函数宽度，
Figure GDA0003684133310000047
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，满足
Figure GDA0003684133310000048
第二方面，采用一种可靠主动域适应装置，包括构建模块、初始化模块、预测误差计算模块、目标函数处理模块、第一判断模块、样本均衡模块、第二判断模块以及预测模块，其中：
构建模块用于构建有标签的源域数据集
Figure GDA0003684133310000049
和无标签的目标域数据集
Figure GDA0003684133310000051
令主动域适应迭代次数τ＝1，源域数据集和目标域数据集中的数据为序列数据；
初始化模块用于令第一分类器和第二分类器初始的输出层权重
Figure GDA0003684133310000052
令分类器优化迭代次数ξ＝1；
预测误差计算模块用于分别计算第一分类器和第二分类器的预测误差e1,i和e2,i；
目标函数处理模块用于利用目标域数据集的投影矩阵Pt和样本矩阵Xt、预测误差e1,i和e2,i，基于目标函数最小化得到第ξ次迭代时第一分类器和第二分类器的输出层权重
Figure GDA0003684133310000053
第一判断模块用于令ξ自增1，并判断是否满足ξ<Γ，Γ是分类器优化最大迭代次数，以及预测误差计算模块用于在第一判断模块判断结果为是时分别计算第一分类器和第二分类器的预测误差e1,i和e2,i；
样本均衡模块用于在第一判断模块输出结果为否时，对
Figure GDA0003684133310000054
按行求二范数得到
Figure GDA0003684133310000055
并将δY中na个最大元素序号对应的样本打上标签，将na个打上标签后的样本从
Figure GDA0003684133310000056
中移至
Figure GDA0003684133310000057
中，更新源域数据集
Figure GDA0003684133310000058
和目标域数据集
Figure GDA0003684133310000059
的样本数量，其中，nt为目标域数据集中的样本数量，na是样本请求数量，
Figure GDA00036841333100000510
是第一分类器的预测结果，
Figure GDA00036841333100000511
是第二分类器的预测结果；
第二判断模块用于令τ自增1，并判断是否满足τ<Φ，以及初始化模块用于在第二判断模块输出结果为是时，令第一分类器和第二分类器初始的输出层权重
Figure GDA00036841333100000512
令分类器优化迭代次数ξ＝1；
预测模块用于在第二判断模块输出结果为否时，用于对目标域数据集中的无标注样本x，采用
Figure GDA0003684133310000061
预测x对应的类别。
进一步地，所述预测误差计算模块具体用于：
计算所述第一分类器的预测误差
Figure GDA0003684133310000062
Figure GDA0003684133310000063
计算所述第二分类器的预测误差
Figure GDA0003684133310000064
Figure GDA0003684133310000065
其中，
Figure GDA0003684133310000066
为样本
Figure GDA0003684133310000067
对应的标签，C是标签的类别数量，ns为源域样本数量，
Figure GDA0003684133310000068
为所述第一分类器在第ξ-1次迭代时的输出层权重，
Figure GDA0003684133310000069
为所述第二分类器在第ξ-1次迭代时的输出层权重，
Figure GDA00036841333100000610
为源域特征矩阵的元素。
进一步地，所述目标函数为：
Figure GDA00036841333100000611
其中，ρ和λ均是权衡系数，Q是高斯函数的数量，
Figure GDA00036841333100000612
是所述目标域数据集的投影矩阵的转置，
Figure GDA00036841333100000613
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，||·||F是F范数，所述目标域数据集的投影矩阵
Figure GDA00036841333100000614
其中，d表示特征维度，D为样本维度；
所述目标域数据集的投影矩阵
Figure GDA00036841333100000615
其中，d表示特征维度，D为样本维度；
所述目标域数据集的样本矩阵
Figure GDA00036841333100000616
Figure GDA0003684133310000071
表示所述目标域数据集中的样本，nt为所述目标域数据集中的样本数量。
进一步地，还包括参数设置模块，用于设定主动域适应最大迭代次数Φ>2，分类器优化最大迭代次数Γ>2，设定样本请求数量na>0，设置权衡系数ρ>0、权重参数λ>0，特征维度d，设定高斯函数的数量Q、第q个高斯核宽σq(q＝1,2,…,Q)、高斯函数中心c以及高斯函数权重γq(q＝1,2,…,Q)的值；
还包括样本权重矩阵计算模块，用于：
计算所述第一分类器和第二分类器的样本权重矩阵Λ1和Λ2，其中，样本权重矩阵Λ1的第i(i＝1,2,…,ns)个元素
Figure GDA0003684133310000072
Figure GDA0003684133310000073
样本权重矩阵Λ2的第i(i＝1,2,…,ns)个元素
Figure GDA0003684133310000074
Figure GDA0003684133310000075
Q表示使用的高斯核函数数量，σq表示第q(q＝1,2,…,Q)个高斯核函数宽度，
Figure GDA0003684133310000076
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，满足
Figure GDA0003684133310000077
第三方面，采用一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行可实现如上所述的可靠主动域适应方法。
第四方面，采用一种环境感知方法，包括：
T1、收集周围环境的振动序列数据，并对振动序列数据请求其对应的分类标签，得到有标签的源域数据集
Figure GDA0003684133310000078
和无标签的目标域数据集
Figure GDA0003684133310000079
令主动域适应迭代次数τ＝1；
T2、令第一分类器和第二分类器初始的输出层权重
Figure GDA0003684133310000081
Figure GDA0003684133310000082
令分类器优化迭代次数ξ＝1；
T3、分别计算第一分类器和第二分类器的预测误差e1,i和e2,i；
T4、利用目标域数据集的投影矩阵Pt和样本矩阵Xt、预测误差e1,i和e2,i，基于目标函数最小化得到第ξ次迭代时第一分类器和第二分类器的输出层权重
Figure GDA0003684133310000083
T5、令ξ自增1，并判断是否满足ξ<Γ，Γ是分类器优化最大迭代次数，若是则执行步骤T3，若否则令
Figure GDA0003684133310000084
然后执行步骤T6；
T6、对
Figure GDA0003684133310000085
按行求二范数得到
Figure GDA0003684133310000086
并将δY中na个最大元素序号对应的样本打上标签，将na个打上标签后的样本从
Figure GDA0003684133310000087
中移至
Figure GDA0003684133310000088
中，更新源域数据集
Figure GDA0003684133310000089
和目标域数据集
Figure GDA00036841333100000810
的样本数量，其中，nt为目标域数据集中的样本数量，na是样本请求数量，
Figure GDA00036841333100000811
是第一分类器的预测结果，
Figure GDA00036841333100000812
是第二分类器的预测结果；
T7、令τ自增1，并判断是否满足τ<Φ，是则执行步骤T2，否则执行步骤T8；
T8、对于目标域数据集中的无标注样本x，采用
Figure GDA00036841333100000813
预测其对应的环境类别。
进一步地，所述分别计算第一分类器和第二分类器的预测误差e1,i和e2,i，包括：
计算所述第一分类器的预测误差
Figure GDA0003684133310000091
Figure GDA0003684133310000092
计算所述第二分类器的预测误差
Figure GDA0003684133310000093
1,2,…,ns)；
其中，
Figure GDA0003684133310000094
为样本
Figure GDA0003684133310000095
对应的标签，C是标签的类别数量，ns为源域样本数量，
Figure GDA0003684133310000096
为所述第一分类器在第ξ-1次迭代时的输出层权重，
Figure GDA0003684133310000097
为所述第二分类器在第ξ-1次迭代时的输出层权重，
Figure GDA0003684133310000098
为源域特征矩阵的元素。
进一步地，所述目标函数为：
Figure GDA0003684133310000099
其中，ρ和λ均是权衡系数，Q是高斯函数的数量，
Figure GDA00036841333100000910
是所述目标域数据集的投影矩阵的转置，
Figure GDA00036841333100000911
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，||·||F是F范数，所述目标域数据集的投影矩阵
Figure GDA00036841333100000912
其中，d表示特征维度，D为样本维度；
所述目标域数据集的投影矩阵
Figure GDA00036841333100000913
其中，d表示特征维度，D为样本维度；
所述目标域数据集的样本矩阵
Figure GDA00036841333100000914
Figure GDA00036841333100000915
表示所述目标域数据集中的样本，nt为所述目标域数据集中的样本数量。
进一步地，还包括：
设定主动域适应最大迭代次数Φ>2，分类器优化最大迭代次数Γ>2，设定样本请求数量na>0，设置权衡系数ρ>0、权重参数λ>0，特征维度d，设定高斯函数的数量Q、第q个高斯核宽σq(q＝1,2,…,Q)、高斯函数中心c以及高斯函数权重γq(q＝1,2,…,Q)的值；
还包括：
计算所述第一分类器和第二分类器的样本权重矩阵Λ1和Λ2，其中，样本权重矩阵Λ1的第i(i＝1,2,…,ns)个元素
Figure GDA0003684133310000101
Figure GDA0003684133310000102
样本权重矩阵Λ2的第i(i＝1,2,…,ns)个元素
Figure GDA0003684133310000103
Figure GDA0003684133310000104
Q表示使用的高斯核函数数量，σq表示第q(q＝1,2,…,Q)个高斯核函数宽度，
Figure GDA0003684133310000105
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，满足
Figure GDA0003684133310000106
第五方面，采用一种环境感知装置，包括构建模块、初始化模块、预测误差计算模块、目标函数处理模块、第一判断模块、样本均衡模块、第二判断模块以及预测模块，其中：
构建模块用于收集周围环境的振动序列数据，并对振动序列数据请求其对应的分类标签，得到有标签的源域数据集
Figure GDA0003684133310000107
和无标签的目标域数据集
Figure GDA0003684133310000108
令主动域适应迭代次数τ＝1；
初始化模块用于令第一分类器和第二分类器初始的输出层权重
Figure GDA0003684133310000111
令分类器优化迭代次数ξ＝1；
预测误差计算模块用于分别计算第一分类器和第二分类器的预测误差e1,i和e2,i；
目标函数处理模块用于利用目标域数据集的投影矩阵Pt和样本矩阵Xt、预测误差e1,i和e2,i，基于目标函数最小化得到第ξ次迭代时第一分类器和第二分类器的输出层权重
Figure GDA0003684133310000112
第一判断模块用于令ξ自增1，并判断是否满足ξ<Γ，Γ是分类器优化最大迭代次数，以及预测误差计算模块用于在第一判断模块判断结果为是时分别计算第一分类器和第二分类器的预测误差e1,i和e2,i；
样本均衡模块用于在第一判断模块输出结果为否时，对
Figure GDA0003684133310000113
按行求二范数得到
Figure GDA0003684133310000114
并将δY中na个最大元素序号对应的样本打上标签，将na个打上标签后的样本从
Figure GDA0003684133310000115
中移至
Figure GDA0003684133310000116
中，更新源域数据集
Figure GDA0003684133310000117
和目标域数据集
Figure GDA0003684133310000118
的样本数量，其中，nt为目标域数据集中的样本数量，na是样本请求数量，
Figure GDA0003684133310000119
是第一分类器的预测结果，
Figure GDA00036841333100001110
是第二分类器的预测结果；
第二判断模块用于令τ自增1，并判断是否满足τ<Φ，以及初始化模块用于在第二判断模块输出结果为是时，令第一分类器和第二分类器初始的输出层权重
Figure GDA00036841333100001111
令分类器优化迭代次数ξ＝1；
预测模块用于在第二判断模块输出结果为否时，用于对目标域数据集中的无标注样本x，采用
Figure GDA00036841333100001112
预测其对应的环境类别。
进一步地，所述预测误差计算模块具体用于：
计算所述第一分类器的预测误差
Figure GDA0003684133310000121
Figure GDA0003684133310000122
计算所述第二分类器的预测误差
Figure GDA0003684133310000123
Figure GDA0003684133310000124
其中，
Figure GDA0003684133310000125
为样本
Figure GDA0003684133310000126
对应的标签，C是标签的类别数量，ns为源域样本数量，
Figure GDA0003684133310000127
为所述第一分类器在第ξ-1次迭代时的输出层权重，
Figure GDA0003684133310000128
为所述第二分类器在第ξ-1次迭代时的输出层权重，
Figure GDA0003684133310000129
为源域特征矩阵的元素。
进一步地，所述目标函数为：
Figure GDA00036841333100001210
其中，ρ和λ均是权衡系数，Q是高斯函数的数量，
Figure GDA00036841333100001211
是所述目标域数据集的投影矩阵的转置，
Figure GDA00036841333100001212
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，||·||F是F范数，所述目标域数据集的投影矩阵
Figure GDA00036841333100001213
其中，d表示特征维度，D为样本维度；
所述目标域数据集的投影矩阵
Figure GDA00036841333100001214
其中，d表示特征维度，D为样本维度；
所述目标域数据集的样本矩阵
Figure GDA00036841333100001215
Figure GDA00036841333100001216
表示所述目标域数据集中的样本，nt为所述目标域数据集中的样本数量。
进一步地，还包括参数设置模块，用于设定主动域适应最大迭代次数Φ>2，分类器优化最大迭代次数Γ>2，设定样本请求数量na>0，设置权衡系数ρ>0、权重参数λ>0，特征维度d，设定高斯函数的数量Q、第q个高斯核宽σq(q＝1,2,…,Q)、高斯函数中心c以及高斯函数权重γq(q＝1,2,…,Q)的值；
还包括样本权重矩阵计算模块，以消除错误标签，用于：
计算所述第一分类器和第二分类器的样本权重矩阵Λ1和Λ2，其中，样本权重矩阵Λ1的第i(i＝1,2,…,ns)个元素
Figure GDA0003684133310000131
Figure GDA0003684133310000132
样本权重矩阵Λ2的第i(i＝1,2,…,ns)个元素
Figure GDA0003684133310000133
Figure GDA0003684133310000134
Q表示使用的高斯核函数数量，σq表示第q(q＝1,2,…,Q)个高斯核函数宽度，
Figure GDA0003684133310000135
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，满足
Figure GDA0003684133310000136
第六方面，采用一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如上所述的环境感知方法。
与现有技术相比，本发明存在以下技术效果：本发明能够在标签存在噪声的情况下，保持一定的鲁棒性；在出现较大漂移的情况下，能够主动请求目标域的关键样本打上标签并进行主动学习；能够防止数据类别不均衡情况下的过拟合问题。
附图说明
下面结合附图，对本发明的具体实施方式进行详细描述：
图1是数据集构建示意图；
图2是一种可靠主动域适应方法的流程图。
具体实施方式
为了更进一步说明本发明的特征，请参阅以下有关本发明的详细说明与附图。所附图仅供参考与说明之用，并非用来对本发明的保护范围加以限制。
如图2所示，本实施例公开了一种可靠主动域适应方法，包括如下步骤：
(1)构建数据集，数据集中存储有序列数据，该序列数据包括振动数据、测井数据、语音数据、脑电波以及心电图等：
有标签的源域数据集
Figure GDA0003684133310000141
无标签的目标域数据集
Figure GDA0003684133310000142
其中
Figure GDA0003684133310000143
表示源域样本，ns为源域样本数量，D为样本维度，
Figure GDA0003684133310000144
表示目标域样本，nt为目标域样本数量，
Figure GDA0003684133310000145
为xi对应的标签，类别数量为C；则源域样本矩阵为
Figure GDA0003684133310000146
源域标签矩阵为
Figure GDA0003684133310000147
目标域样本矩阵为
Figure GDA0003684133310000148
Figure GDA0003684133310000149
(2)计算投影矩阵和特征矩阵：
随机生成源域和目标域的投影矩阵分别为
Figure GDA00036841333100001410
和
Figure GDA00036841333100001411
其中d表示特征维度；计算得到源域特征矩阵
Figure GDA00036841333100001412
Figure GDA00036841333100001413
目标域特征矩阵
Figure GDA00036841333100001414
(3)参数设定：
设定主动域适应最大迭代次数Φ>2，分类器优化最大迭代次数Γ>2，设定样本请求数量na>0，设置权衡系数ρ>0、λ>0，设定特征维度d，设定高斯函数数量Q、第q个高斯核宽σq(q＝1,2,…,Q)、高斯函数中心c、高斯函数权重γq(q＝1,2,…,Q)的值；
(4)令主动域适应迭代次数τ＝1；
(5)初始化：
令初始的输出层权重
Figure GDA0003684133310000151
令分类器优化迭代次数ξ＝1；
(6)计算预测误差：
计算第一分类器的预测误差
Figure GDA0003684133310000152
Figure GDA0003684133310000153
计算第二分类器的预测误差
Figure GDA0003684133310000154
Figure GDA0003684133310000155
(7)计算样本权重矩阵：
计算第一分类器的样本权重矩阵Λ1，其中第i(i＝1,2,…,ns)个元素
Figure GDA0003684133310000156
其中Q表示使用的高斯核函数数量，σq表示第q(q＝1,2,…,Q)个高斯核函数宽度，
Figure GDA0003684133310000157
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，满足
Figure GDA0003684133310000158
类似地，计算第二分类器的样本权重矩阵Λ2，其中，第i(i＝1,2,…,ns)个元素
Figure GDA0003684133310000159
Figure GDA00036841333100001510
(8)目标函数最小化：
通过最小化如下目标函数得到第ξ次迭代的输出层权重
Figure GDA0003684133310000161
Figure GDA0003684133310000162
Figure GDA0003684133310000163
其中，ρ,λ>0为权衡系数；
(9)令ξ自增1，如果ξ<Γ，转到步骤(6)；否则，
Figure GDA0003684133310000164
进入步骤(10)；
(10)样本均衡处理：
求解
Figure GDA0003684133310000165
和
Figure GDA0003684133310000166
对
Figure GDA0003684133310000167
按行求二范数得到
Figure GDA0003684133310000168
将δY中na个最大元素序号对应的样本打上标签，并将这些样本从
Figure GDA0003684133310000169
中移至
Figure GDA00036841333100001610
中，更新nt和ns的值；
(11)令τ自增1，如果τ<Φ，则跳至步骤(5)，否则进入步骤(12)；
(12)对于目标域无标注样本x，采用
Figure GDA00036841333100001611
预测x的类别。
作为进一步优选的技术方案，本实施例公开一组可选的参数：Γ＝100、ρ＝100、λ＝0.1、d＝20、Q＝2、σ1＝1、σ2＝0.1、c＝0、γ1＝0.5、γ2＝0.5。
本实施例还公开了一种可靠主动域适应装置，包括构建模块、初始化模块、预测误差计算模块、目标函数处理模块、第一判断模块、样本均衡模块、第二判断模块以及预测模块，其中：
构建模块用于构建有标签的源域数据集
Figure GDA00036841333100001612
和无标签的目标域数据集
Figure GDA00036841333100001613
令主动域适应迭代次数τ＝1，源域数据集和目标域数据集中的数据为序列数据；
初始化模块用于令第一分类器和第二分类器初始的输出层权重
Figure GDA0003684133310000171
令分类器优化迭代次数ξ＝1；
预测误差计算模块用于分别计算第一分类器和第二分类器的预测误差e1,i和e2,i；
目标函数处理模块用于利用目标域数据集的投影矩阵Pt和样本矩阵Xt、预测误差e1,i和e2,i，基于目标函数最小化得到第ξ次迭代时第一分类器和第二分类器的输出层权重
Figure GDA0003684133310000172
第一判断模块用于令ξ自增1，并判断是否满足ξ<Γ，Γ是分类器优化最大迭代次数，以及预测误差计算模块用于在第一判断模块判断结果为是时分别计算第一分类器和第二分类器的预测误差e1,i和e2,i；
样本均衡模块用于在第一判断模块输出结果为否时，对
Figure GDA0003684133310000173
按行求二范数得到
Figure GDA0003684133310000174
并将δY中na个最大元素序号对应的样本打上标签，将na个打上标签后的样本从
Figure GDA0003684133310000175
中移至
Figure GDA0003684133310000176
中，更新源域数据集
Figure GDA0003684133310000177
和目标域数据集
Figure GDA0003684133310000178
的样本数量，其中，nt为目标域数据集中的样本数量，na是样本请求数量，
Figure GDA0003684133310000179
是第一分类器的预测结果，
Figure GDA00036841333100001710
是第二分类器的预测结果；
第二判断模块用于令τ自增1，并判断是否满足τ<Φ，以及初始化模块用于在第二判断模块输出结果为是时，令第一分类器和第二分类器初始的输出层权重
Figure GDA00036841333100001711
令分类器优化迭代次数ξ＝1；
预测模块用于在第二判断模块输出结果为否时，用于对目标域数据集中的无标注样本x，采用
Figure GDA0003684133310000181
预测x对应的类别。
作为进一步优选的技术方案，所述预测误差计算模块具体用于：
计算所述第一分类器的预测误差
Figure GDA0003684133310000182
Figure GDA0003684133310000183
计算所述第二分类器的预测误差
Figure GDA0003684133310000184
Figure GDA0003684133310000185
其中，
Figure GDA0003684133310000186
为样本
Figure GDA0003684133310000187
对应的标签，C是标签的类别数量，ns为源域样本数量，
Figure GDA0003684133310000188
为所述第一分类器在第ξ-1次迭代时的输出层权重，
Figure GDA0003684133310000189
为所述第二分类器在第ξ-1次迭代时的输出层权重，
Figure GDA00036841333100001810
为源域特征矩阵的元素。
所述目标函数为：
Figure GDA00036841333100001811
其中，ρ和λ均是权衡系数，Q是高斯函数的数量，
Figure GDA00036841333100001812
是所述目标域数据集的投影矩阵的转置，
Figure GDA00036841333100001813
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，||·||F是F范数，所述目标域数据集的投影矩阵
Figure GDA00036841333100001814
其中，d表示特征维度，D为样本维度；
所述目标域数据集的投影矩阵
Figure GDA00036841333100001815
其中，d表示特征维度，D为样本维度；
所述目标域数据集的样本矩阵
Figure GDA00036841333100001816
Figure GDA0003684133310000191
表示所述目标域数据集中的样本，nt为所述目标域数据集中的样本数量。
作为进一步优选的技术方案，还包括参数设置模块，用于设定主动域适应最大迭代次数Φ>2，分类器优化最大迭代次数Γ>2，设定样本请求数量na>0，设置权衡系数ρ>0、权重参数λ>0，特征维度d，设定高斯函数的数量Q、第q个高斯核宽σq(q＝1,2,…,Q)、高斯函数中心c以及高斯函数权重γq(q＝1,2,…,Q)的值；
还包括样本权重矩阵计算模块，用于：
计算所述第一分类器和第二分类器的样本权重矩阵Λ1和Λ2，其中，样本权重矩阵Λ1的第i(i＝1,2,…,ns)个元素
Figure GDA0003684133310000192
Figure GDA0003684133310000193
样本权重矩阵Λ2的第i(i＝1,2,…,ns)个元素
Figure GDA0003684133310000194
Figure GDA0003684133310000195
Q表示使用的高斯核函数数量，σq表示第q(q＝1,2,…,Q)个高斯核函数宽度，
Figure GDA0003684133310000196
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，满足
Figure GDA0003684133310000197
本实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行可实现所述的可靠主动域适应方法
本实施例公开了一种环境感知方法，其中序列数据为振动数据，包括如下步骤：
(1)构建数据集：
如图1所示，控制机器人分别在不同地形上匀速运动一段时间，期间利用安装在机器人上的加速度计检测X/Y/Z轴方向的振动信号，得到振动信号的时间序列，简称振动序列；对振动序列以秒为单位进行数据分割，得到振动帧集合；振动帧是以秒为单位截断后的较短的振动序列；对每个振动帧采用快速傅里叶变换即可得到特征向量，一个数据集由特征向量组成。机器人上同时安装有朝向地面的摄像头，能够拍摄地面图像，因此可以利用时间戳将振动帧和地面图像对应起来，进而人工观察图像来为振动帧打上标签，标签可以是地面类型，例如草地、水泥地等。如此构建有标签的源域数据集
Figure GDA0003684133310000201
构建无标签的目标域数据集
Figure GDA0003684133310000202
其中
Figure GDA0003684133310000203
表示源域样本，ns为源域样本数量，D为样本维度，
Figure GDA0003684133310000204
表示目标域样本，nt为目标域样本数量，
Figure GDA0003684133310000205
为xi对应的标签，类别数量为C；则源域样本矩阵为
Figure GDA0003684133310000206
源域标签矩阵为
Figure GDA0003684133310000207
目标域样本矩阵为
Figure GDA0003684133310000208
Figure GDA0003684133310000209
(2)计算投影矩阵和特征矩阵：
随机生成源域和目标域的投影矩阵分别为
Figure GDA00036841333100002010
和
Figure GDA00036841333100002011
其中d表示特征维度；计算得到源域特征矩阵
Figure GDA00036841333100002012
Figure GDA00036841333100002013
目标域特征矩阵
Figure GDA00036841333100002014
(3)参数设定：
设定主动域适应最大迭代次数Φ>2，分类器优化最大迭代次数Γ>2，设定样本请求数量na>0，设置权衡系数ρ>0、λ>0，设定特征维度d，设定高斯函数数量Q、第q个高斯核宽σq(q＝1,2,…,Q)、高斯函数中心c、高斯函数权重γq(q＝1,2,…,Q)的值；
(4)令主动域适应迭代次数τ＝1；
(5)初始化：
令初始的输出层权重
Figure GDA0003684133310000211
令分类器优化迭代次数ξ＝1；
(6)计算预测误差：
计算第一分类器的预测误差
Figure GDA0003684133310000212
Figure GDA0003684133310000213
计算第二分类器的预测误差
Figure GDA0003684133310000214
Figure GDA0003684133310000215
(7)计算样本权重矩阵，以消除错误标签：
计算第一分类器的样本权重矩阵Λ1，其中第i(i＝1,2,…,ns)个元素
Figure GDA0003684133310000216
其中Q表示使用的高斯核函数数量，σq表示第q(q＝1,2,…,Q)个高斯核函数宽度，
Figure GDA0003684133310000217
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，满足
Figure GDA0003684133310000218
类似地，计算第二分类器的样本权重矩阵Λ2，其中，第i(i＝1,2,…,ns)个元素
Figure GDA0003684133310000219
Figure GDA00036841333100002110
(8)目标函数最小化：
通过最小化如下目标函数得到第ξ次迭代的输出层权重
Figure GDA0003684133310000221
Figure GDA0003684133310000222
Figure GDA0003684133310000223
其中，ρ,λ>0为权衡系数；
(9)令ξ自增1，如果ξ<Γ，转到步骤(6)；否则，
Figure GDA0003684133310000224
进入步骤(10)；
(10)样本均衡处理：
求解
Figure GDA0003684133310000225
和
Figure GDA0003684133310000226
对
Figure GDA0003684133310000227
按行求二范数得到
Figure GDA0003684133310000228
将δY中na个最大元素序号对应的样本打上标签，并将这些样本从
Figure GDA0003684133310000229
中移至
Figure GDA00036841333100002210
中，更新nt和ns的值；
(11)令τ自增1，如果τ<Φ，则跳至步骤(5)，否则进入步骤(12)；
(12)对于目标域无标注样本x，采用
Figure GDA00036841333100002211
预测x的类别。
作为进一步优选的技术方案，本实施例公开一组可选的参数：Γ＝100、ρ＝100、λ＝0.1、d＝20、Q＝2、σ1＝1、σ2＝1、c＝0、γ1＝0.5、γ2＝0.5。
本实施例还公开了一种环境感知装置，包括构建模块、初始化模块、预测误差计算模块、目标函数处理模块、第一判断模块、样本均衡模块、第二判断模块以及预测模块，其中：
构建模块用于收集周围环境的振动序列数据，并对振动序列数据请求其对应的分类标签，得到有标签的源域数据集
Figure GDA00036841333100002212
和无标签的目标域数据集
Figure GDA0003684133310000231
令主动域适应迭代次数τ＝1；
初始化模块用于令第一分类器和第二分类器初始的输出层权重
Figure GDA0003684133310000232
令分类器优化迭代次数ξ＝1；
预测误差计算模块用于分别计算第一分类器和第二分类器的预测误差e1,i和e2,i；
目标函数处理模块用于利用目标域数据集的投影矩阵Pt和样本矩阵Xt、预测误差e1,i和e2,i，基于目标函数最小化得到第ξ次迭代时第一分类器和第二分类器的输出层权重
Figure GDA0003684133310000233
第一判断模块用于令ξ自增1，并判断是否满足ξ<Γ，Γ是分类器优化最大迭代次数，以及预测误差计算模块用于在第一判断模块判断结果为是时分别计算第一分类器和第二分类器的预测误差e1,i和e2,i；
样本均衡模块用于在第一判断模块输出结果为否时，对
Figure GDA0003684133310000234
按行求二范数得到
Figure GDA0003684133310000235
并将δY中na个最大元素序号对应的样本打上标签，将na个打上标签后的样本从
Figure GDA0003684133310000236
中移至
Figure GDA0003684133310000237
中，更新源域数据集
Figure GDA0003684133310000238
和目标域数据集
Figure GDA0003684133310000239
的样本数量，其中，nt为目标域数据集中的样本数量，na是样本请求数量，
Figure GDA00036841333100002310
是第一分类器的预测结果，
Figure GDA00036841333100002311
是第二分类器的预测结果；
第二判断模块用于令τ自增1，并判断是否满足τ<Φ，以及初始化模块用于在第二判断模块输出结果为是时，令第一分类器和第二分类器初始的输出层权重
Figure GDA00036841333100002312
令分类器优化迭代次数ξ＝1；
预测模块用于在第二判断模块输出结果为否时，用于对目标域数据集中的无标注样本x，采用
Figure GDA0003684133310000241
预测其对应的环境类别。
作为进一步优选的技术方案，所述预测误差计算模块具体用于：
计算所述第一分类器的预测误差
Figure GDA0003684133310000242
Figure GDA0003684133310000243
计算所述第二分类器的预测误差
Figure GDA0003684133310000244
Figure GDA0003684133310000245
其中，
Figure GDA0003684133310000246
为样本
Figure GDA0003684133310000247
对应的标签，C是标签的类别数量，ns为源域样本数量，
Figure GDA0003684133310000248
为所述第一分类器在第ξ-1次迭代时的输出层权重，
Figure GDA0003684133310000249
为所述第二分类器在第ξ-1次迭代时的输出层权重，
Figure GDA00036841333100002410
为源域特征矩阵的元素。
所述目标函数为：
Figure GDA00036841333100002411
其中，ρ和λ均是权衡系数，Q是高斯函数的数量，
Figure GDA00036841333100002412
是所述目标域数据集的投影矩阵的转置，
Figure GDA00036841333100002413
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，||·||F是F范数，所述目标域数据集的投影矩阵
Figure GDA00036841333100002414
其中，d表示特征维度，D为样本维度；
所述目标域数据集的投影矩阵
Figure GDA00036841333100002415
其中，d表示特征维度，D为样本维度；
所述目标域数据集的样本矩阵
Figure GDA00036841333100002416
Figure GDA0003684133310000251
表示所述目标域数据集中的样本，nt为所述目标域数据集中的样本数量。
作为进一步优选的技术方案，还包括参数设置模块，用于设定主动域适应最大迭代次数Φ>2，分类器优化最大迭代次数Γ>2，设定样本请求数量na>0，设置权衡系数ρ>0、权重参数λ>0，特征维度d，设定高斯函数的数量Q、第q个高斯核宽σq(q＝1,2,…,Q)、高斯函数中心c以及高斯函数权重γq(q＝1,2,…,Q)的值；
还包括样本权重矩阵计算模块，用于：
计算所述第一分类器和第二分类器的样本权重矩阵Λ1和Λ2，其中，样本权重矩阵Λ1的第i(i＝1,2,…,ns)个元素
Figure GDA0003684133310000252
Figure GDA0003684133310000253
样本权重矩阵Λ2的第i(i＝1,2,…,ns)个元素
Figure GDA0003684133310000254
Figure GDA0003684133310000255
Q表示使用的高斯核函数数量，σq表示第q(q＝1,2,…,Q)个高斯核函数宽度，
Figure GDA0003684133310000256
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq(0≤γq≤1)表示第q个高斯核函数的权重，满足
Figure GDA0003684133310000257
本实施例公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现所述的环境感知方法。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于可靠主动域适应的环境感知方法，其特征在于，包括：
T1、收集周围环境的振动序列数据，并对振动序列数据请求其对应的分类标签，得到有标签的源域数据集
Figure FDA00036841333000000110
和无标签的目标域数据集
Figure FDA00036841333000000111
令主动域适应迭代次数τ＝1；
T2、令第一分类器和第二分类器初始的输出层权重F1 (0)＝0，F2 (0)＝0，令分类器优化迭代次数ξ＝1；
T3、分别计算第一分类器和第二分类器的预测误差e1，i和e2，i；
T4、利用目标域数据集的投影矩阵Pt和样本矩阵Xt、预测误差e1，i和e2，i，基于目标函数最小化得到第ξ次迭代时第一分类器和第二分类器的输出层权重F1 (ξ)，F2 (ξ)；
T5、令ξ自增1，并判断是否满足ξ＜Γ，Γ是分类器优化最大迭代次数，若是则执行步骤T3，若否则令F1＝F1 (ξ)，F2＝F2 (ξ)，然后执行步骤T6；
T6、对
Figure FDA0003684133300000011
按行求二范数得到
Figure FDA0003684133300000012
并将δY中na个最大元素序号对应的样本打上标签，将na个打上标签后的样本从
Figure FDA0003684133300000013
中移至
Figure FDA0003684133300000014
中，更新源域数据集
Figure FDA0003684133300000015
和目标域数据集
Figure FDA0003684133300000016
的样本数量，其中，nt为目标域数据集中的样本数量，na是样本请求数量，
Figure FDA0003684133300000017
是第一分类器的预测结果，
Figure FDA0003684133300000018
是第二分类器的预测结果；
T7、令τ自增1，并判断是否满足τ＜Φ，是则执行步骤T2，否则执行步骤T8；
T8、对于目标域数据集中的无标注样本x，采用
Figure FDA0003684133300000019
预测其对应的环境类别；
所述目标函数为：
Figure FDA0003684133300000021
其中，ρ和λ均是权衡系数，Q是高斯函数的数量，
Figure FDA0003684133300000022
是所述目标域数据集的投影矩阵的转置，
Figure FDA0003684133300000023
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq表示第q个高斯核函数的权重，0≤γq≤1，||·||F是F范数，所述目标域数据集的投影矩阵
Figure FDA0003684133300000024
其中，d表示特征维度，D为样本维度；
所述目标域数据集的样本矩阵
Figure FDA0003684133300000025
Figure FDA0003684133300000026
表示所述目标域数据集中的样本，nt为所述目标域数据集中的样本数量。
2.如权利要求1所述的基于可靠主动域适应的环境感知方法，其特征在于，所述分别计算第一分类器和第二分类器的预测误差e1，i和e2，i，包括：
计算所述第一分类器的预测误差
Figure FDA0003684133300000027
Figure FDA0003684133300000028
计算所述第二分类器的预测误差
Figure FDA0003684133300000029
Figure FDA00036841333000000210
其中，
Figure FDA00036841333000000211
为样本
Figure FDA00036841333000000212
对应的标签，C是标签的类别数量，ns为源域样本数量，F1 (ξ-1)为所述第一分类器在第ξ-1次迭代时的输出层权重，F2 (ξ-1)为所述第二分类器在第ξ-1次迭代时的输出层权重，
Figure FDA0003684133300000031
为源域特征矩阵的元素。
3.如权利要求1或2所述的基于可靠主动域适应的环境感知方法，其特征在于，还包括：
设定主动域适应最大迭代次数Φ＞2，分类器优化最大迭代次数Γ＞2，设定样本请求数量na＞0，设置权衡系数ρ＞0、权重参数λ＞0，特征维度d，Q表示使用的高斯核函数数量，σq表示第q个高斯核函数宽度，q＝1，2，…，Q，
Figure FDA0003684133300000032
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq表示第q个高斯核函数的权重；
还包括：
计算所述第一分类器和第二分类器的样本权重矩阵Λ1和Λ2，其中，样本权重矩阵Λ1的第i个元素
Figure FDA0003684133300000033
Figure FDA0003684133300000034
样本权重矩阵Λ2的第i个元素
Figure FDA0003684133300000035
Figure FDA0003684133300000036
满足
Figure FDA0003684133300000037
4.一种环境感知装置，其特征在于，包括构建模块、初始化模块、预测误差计算模块、目标函数处理模块、第一判断模块、样本均衡模块、第二判断模块以及预测模块，其中：
构建模块用于收集周围环境的振动序列数据，并对振动序列数据请求其对应的分类标签，得到有标签的源域数据集
Figure FDA0003684133300000038
和无标签的目标域数据集
Figure FDA0003684133300000039
令主动域适应迭代次数τ＝1；
初始化模块用于令第一分类器和第二分类器初始的输出层权重F1 (0)＝0，F2 (0)＝0，令分类器优化迭代次数ξ＝1；
预测误差计算模块用于分别计算第一分类器和第二分类器的预测误差e1，i和e2，i；
目标函数处理模块用于利用目标域数据集的投影矩阵Pt和样本矩阵Xt、预测误差e1，i和e2，i，基于目标函数最小化得到第ξ次迭代时第一分类器和第二分类器的输出层权重F1 (ξ)，F2 (ξ)；
第一判断模块用于令ξ自增1，并判断是否满足ξ＜Γ，Γ是分类器优化最大迭代次数，以及预测误差计算模块用于在第一判断模块判断结果为是时分别计算第一分类器和第二分类器的预测误差e1，i和e2，i；
样本均衡模块用于在第一判断模块输出结果为否时，对
Figure FDA0003684133300000041
按行求二范数得到
Figure FDA0003684133300000042
并将δY中na个最大元素序号对应的样本打上标签，将na个打上标签后的样本从
Figure FDA0003684133300000043
中移至
Figure FDA0003684133300000044
中，更新源域数据集
Figure FDA0003684133300000045
和目标域数据集
Figure FDA0003684133300000046
的样本数量，其中，nt为目标域数据集中的样本数量，na是样本请求数量，
Figure FDA0003684133300000047
是第一分类器的预测结果，
Figure FDA0003684133300000048
是第二分类器的预测结果；
第二判断模块用于令τ自增1，并判断是否满足τ＜Φ，以及初始化模块用于在第二判断模块输出结果为是时，令第一分类器和第二分类器初始的输出层权重F1 (0)＝0，F2 (0)＝0，令分类器优化迭代次数ξ＝1；
预测模块用于在第二判断模块输出结果为否时，用于对目标域数据集中的无标注样本x，采用
Figure FDA0003684133300000049
预测其对应的环境类别；
所述目标函数为：
Figure FDA0003684133300000051
其中，ρ和λ均是权衡系数，Q是高斯函数的数量，
Figure FDA0003684133300000052
是所述目标域数据集的投影矩阵的转置，
Figure FDA0003684133300000053
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq表示第q个高斯核函数的权重，0≤γq≤1，||·||F是F范数，所述目标域数据集的投影矩阵
Figure FDA0003684133300000054
其中，d表示特征维度，D为样本维度；
所述目标域数据集的样本矩阵
Figure FDA0003684133300000055
Figure FDA0003684133300000056
j＝1，2，…，nt表示所述目标域数据集中的样本，nt为所述目标域数据集中的样本数量。
5.如权利要求4所述的环境感知装置，其特征在于，所述预测误差计算模块具体用于：
计算所述第一分类器的预测误差
Figure FDA0003684133300000057
Figure FDA0003684133300000058
计算所述第二分类器的预测误差
Figure FDA0003684133300000059
Figure FDA00036841333000000510
其中，
Figure FDA00036841333000000511
为样本
Figure FDA00036841333000000512
对应的标签，C是标签的类别数量，ns为源域样本数量，F1 (ξ-1)为所述第一分类器在第ξ-1次迭代时的输出层权重，F2 (ξ-1)为所述第二分类器在第ξ-1次迭代时的输出层权重，
Figure FDA00036841333000000513
为源域特征矩阵的元素。
6.如权利要求4或5所述的环境感知装置，其特征在于，还包括参数设置模块，用于设定主动域适应最大迭代次数Φ＞2，分类器优化最大迭代次数Γ＞2，设定样本请求数量na＞0，设置权衡系数ρ＞0、权重参数λ＞0，特征维度d，设定Q表示使用的高斯核函数数量，σq表示第q个高斯核函数宽度，q＝1，2，…，Q，
Figure FDA0003684133300000061
即表示宽度为σq的高斯核函数，c表示高斯核函数的中心，γq表示第q个高斯核函数的权重，q＝1，2，…，Q；
还包括样本权重矩阵计算模块，用于：
计算所述第一分类器和第二分类器的样本权重矩阵Λ1和Λ2，其中，样本权重矩阵Λ1的第i个元素
Figure FDA0003684133300000062
Figure FDA0003684133300000063
样本权重矩阵Λ2的第i个元素
Figure FDA0003684133300000064
Figure FDA0003684133300000065
0≤γq≤1，满足
Figure FDA0003684133300000066
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行可实现如权利要求1-3中任意一项所述的基于可靠主动域适应的环境感知方法。
CN202110150615.2A 2021-02-03 2021-02-03 可靠主动域适应方法、环境感知方法、装置及存储介质 Active CN112966559B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110150615.2A CN112966559B (zh) 2021-02-03 2021-02-03 可靠主动域适应方法、环境感知方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110150615.2A CN112966559B (zh) 2021-02-03 2021-02-03 可靠主动域适应方法、环境感知方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112966559A CN112966559A (zh) 2021-06-15
CN112966559B true CN112966559B (zh) 2022-09-06

Family

ID=76274608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110150615.2A Active CN112966559B (zh) 2021-02-03 2021-02-03 可靠主动域适应方法、环境感知方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112966559B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537458B (zh) * 2021-06-21 2022-12-30 中国科学技术大学 一种有理式函数神经网络构建方法、系统及可读存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11138523B2 (en) * 2016-07-27 2021-10-05 International Business Machines Corporation Greedy active learning for reducing labeled data imbalances
CN109308485B (zh) * 2018-08-02 2022-11-29 中国矿业大学 一种基于字典域适应的迁移稀疏编码图像分类方法
KR102039138B1 (ko) * 2019-04-02 2019-10-31 주식회사 루닛 적대적 학습에 기반한 도메인 어댑테이션 방법 및 그 장치
CN110147826A (zh) * 2019-04-23 2019-08-20 中国科学技术大学 一种动态环境下机器人地面分类方法及系统
CN111767674B (zh) * 2020-05-29 2024-03-29 中国科学技术大学 一种基于主动域适应的测井岩性识别方法
CN112308147B (zh) * 2020-11-02 2024-02-09 西安电子科技大学 基于多源域锚适配器集成迁移的旋转机械故障诊断方法

Also Published As

Publication number Publication date
CN112966559A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
US11055632B2 (en) Method and device for improving the robustness against “adversarial examples”
Pathak et al. Feature selection for image steganalysis using levy flight-based grey wolf optimization
García et al. A Distributed K‐Means Segmentation Algorithm Applied to Lobesia botrana Recognition
US20240308068A1 (en) Data-efficient hierarchical reinforcement learning
CN103824291B (zh) 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法
CN104869126A (zh) 一种网络入侵异常检测方法
CN113841157B (zh) 通过使用局部线性度正则化训练更安全的神经网络
US20220156563A1 (en) Detecting adversary attacks on a deep neural network (DNN)
CN112966559B (zh) 可靠主动域适应方法、环境感知方法、装置及存储介质
Rabiee et al. IV-SLAM: Introspective vision for simultaneous localization and mapping
Dzieciuch et al. Non-linear convolutional neural network for automatic detection of mine-like objects in sonar imagery
CN115358305A (zh) 一种基于边界样本迭代生成的增量学习鲁棒性提升方法
Gonçalves et al. Automatic detection of Acacia longifolia invasive species based on UAV-acquired aerial imagery
CN116912568A (zh) 基于自适应类别均衡的含噪声标签图像识别方法
CN115880572A (zh) 一种基于异步学习因子的前视声呐目标识别方法
Paluszek et al. Machine learning examples in Matlab
KR20230015284A (ko) 머신 학습을 위한 디바이스, 컴퓨터 프로그램 및 컴퓨터로 구현된 방법
Harish et al. Edge discerning using improved PSO and Canny algorithm
Müller et al. Application of deep learning for crack segmentation on concrete surface
Wu et al. Unsupervised domain adaptation for vibration-based robotic ground classification in dynamic environments
CN113901932A (zh) 融合人工鱼与粒子群算法的工程机械图像识别方法及系统
Jaworska Image segment classification using CNN
KR102497640B1 (ko) 이미지의 객체 감지 및 분류 방법 및 시스템
CN113660236A (zh) 一种基于优化堆叠降噪卷积自编码网络的异常流量检测方法、存储器和处理器
Nebti et al. Predator prey optimization for snake‐based contour detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant