重庆大学;勒威半导体技术(嘉兴)有限公司刘然获国家专利权
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!
龙图腾网获悉重庆大学;勒威半导体技术(嘉兴)有限公司申请的专利基于生成对抗网络的电子鼻数据校正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:CN114511031B 。
龙图腾网通过国家知识产权局官网在2025-07-01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:202210138121.7,技术领域涉及:G06F18/241;该发明授权基于生成对抗网络的电子鼻数据校正方法是由刘然;陈希;毛虎;田逢春;钱君辉;崔珊珊;王斐斐;陈丹;陈鑫;任席伟;王仕丹设计研发完成,并于2022-02-15向国家知识产权局提交的专利申请。
本基于生成对抗网络的电子鼻数据校正方法在说明书摘要公布了:本发明基于生成对抗网络的电子鼻数据校正方法,其包括1搭建命名为FEDA的神经网络,2进行领域对抗训练:分别在特征提取器Gf和域判别器Gd上添加一个梯度反转层,首先在数据正向传播过程中训练特征提取器Gf学习到域不变特征,从而让域判别器Gd无法区分特征是来自源域和还是目标域,再通过最小化域分类损失Ld来训练域判别器Gd,使得域判别器Gd可以区分源域和目标域特征;然后在数据反向传播经过梯度反转层的时候反转梯度,让特征提取器Gf无法正确判断领域不变特征,以此完成对抗训练。本发明基于生成对抗网络的电子鼻数据校正方法,降低了源域和目标域的分布差异,增加了类内同质性,解决电子鼻数据的域适应问题,能提高对传感器漂移数据集的分类正确率。
本发明授权基于生成对抗网络的电子鼻数据校正方法在权利要求书中公布了:1.基于生成对抗网络的电子鼻数据校正方法,其特征在于:包括以下步骤: 1搭建命名为FEDA的神经网络,所述FEDA包括用于提取源域和目标域的域不变特征的特征提取器Gf、用来区分数据来自源域和目标域的域判别器Gd、用于计算域不变特征的L2范数损失的L2范数模块Gl、用于数据类别的分类的标签分类器Gy、用于计算类熵损失的类条件概率熵Ge和用于进行梯度反转的梯度反转层,所述梯度反转层连接在特征提取器Gf和域判别器Gd之间; 所述特征提取器Gf的输出作为类条件概率熵Ge,域判别器Gd,L2范数模块Gl,以及标签分类器Gy的输入;数据分为标签丰富的源域和无标签的目标域,定义源域其中ns表示源域样本数量,表示源域的第i个样本,表示源域第i个样本的标签;其中nt表示源域样本数量,表示目标域第j个样本;源域数据的分布为PXs,Ys,目标域数据分布为QXt,Yt,P≠Q; 2进行领域对抗训练:分别在特征提取器Gf和域判别器Gd上添加一个梯度反转层,首先在数据正向传播过程中训练特征提取器Gf学习到域不变特征,从而让域判别器Gd无法区分特征是来自源域和还是目标域,再通过最小化域分类损失Ld来训练域判别器Gd,使得域判别器Gd可以区分源域和目标域特征;然后在数据反向传播经过梯度反转层的时候反转梯度,让特征提取器Gf无法正确判断领域不变特征,以此完成对抗训练; 在领域对抗训练过程中,计算特征提取器Gf所提取特征的L2范数,并通过自适应的特征范数损失Lf使得源域和目标域的L2范数在大范围上取得平衡;且类条件概率熵Ge采用最小化目标域条件熵Lh以减少目标域的类间重叠,增加类内同质性; 所述自适应的特征范数损失Lf是通过最大平均特征分布差的方式构造得到,构造步骤包括: 定义源域和目标域的最大平均特征分布差如下: 其中MMFDD[Gf,Xs,Xt]为最大平均特征分布差;xi,xj分别表示源域和目标域的数据;构造一个距离Z来拟合源域和目标域之间的特征范数差距LZ,使源域和目标域的L2范数分别收敛到Z,从而使得MMFDD[Gf,Xs,Xt]最小, 再构造自适应的特征范数损失Lf,公式如下, 其中Δz表示残差特征范数,wg表示权重参数。
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重庆大学;勒威半导体技术(嘉兴)有限公司,其通讯地址为:400030 重庆市沙坪坝区正街174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”。
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。