.png){kind=icon}
返回
Multiple space transfer learning based on maximizing mean variance differences for soft sensor modeling
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.130975.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
标签数据的稀缺性显著影响了工业软传感器的有效性。领域自适应可以将丰富的标签信息从源域转移到标签稀疏的目标域。然而，现有的领域自适应方法通常将源域和目标域的特征对齐到单一特征空间，这可能对软传感器模型的适应性能产生负面影响。因此，提出了基于最大化均值-方差差异的多空间迁移学习（MMVD-MSTL）。首先，基于特征解耦编码器将源域和目标域数据映射到时空-频率特征空间。然后，设计了最大化均值-方差差异来对齐源域和目标域之间多个空间中解耦特征分布。最后，循环对抗损失约束两个域中的特征分布，建立互惠特征关系。在公开数据集和真实工业过程数据上的比较实验表明，MMVD-MSTL优于当前最优的领域自适应软传感器模型，在目标域中表现出更优越的适应性能。
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
查看更多内容