计算机应用研究

作者：郭文强,徐成,肖秦琨,李梦然,

单位：1.陕西科技大学a.电子信息与人工智能学院;b.电气与控制工程学院,西安710021；2.西安工业大学电子信息工程学院,西安710021；

关键词：小数据集,贝叶斯网络,迁移学习,参数学习,

基金：国家自然科学基金资助项目(61271362,62071366)；陕西省科技厅重点研发计划资助项目(2020SF-286)；陕西省科技厅自然科学基金资助项目(2017JM6057)；陕西省教育厅产业化研究项目(18JC003)；西安市科技计划资助项目(2019216514GXRC001CG002GXYD1.1)；；

针对小数据集条件下的贝叶斯网络（Bayesian network，BN）参数估计困难问题，提出了一种基于变权重迁移学习（DWTL）的BN参数学习算法。首先，利用MAP和MLE方法学习得到目标域初始参数和各源域参数；然后根据不同源域数据样本贡献的不同计算源权重因子；接着基于目标域样本统计量与小数据集样本阈值的关系设计了目标域初始参数和源域参数的平衡系数；最后，基于上述参数、源权重因子和平衡系数计算得到新的目标参数。在实验研究中，通过对经典BN模型的参数学习问题验证了DWTL算法的有效性；针对小数据集下的轴承故障诊断问题，相较于传统迁移学习（LP）算法，DWTL算法学习精度提高了10%。实验结果表明：所提出的算法能够较好地解决样本数据集在相对稀缺条件下的目标参数建模问题。

来源：2021年第1期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2021年第1期