域自适应学习：理论与应用新进展

|-------------------------|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|-------------------------------------------------------|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 篇名 | 问题背景 | 方法 | 其他 |
| 域自适应学习研究进展 | 但是实际上当前很多学习场景下训练样本的概率分布和测试样本的概率分布是不同的 | 1 域自适应学习概述 2 样例加权域自适应学习 3 特征表示域自适应学习 | 本文对域自适应学习方法和理论进行了综述, 对样例加权域自适应学习、特征表示域自适应学习、参数和特征分解域自适应学习和多源域自适应学习进行了详细的阐述, 同时结合域自适应学习的误差界、高效的度量判据等问题对域自适应学习的可能性、鲁棒性、统计估计一致性进行了理论分析. |
| 基于时空域自适应高阶有限差分的声波叠前逆时偏移 | 常规的有限差分法求解波动方程时, 其求空间导数时的差分系数一般都是采用传统的高阶有限差分系数[29](http://html.rhhz.net/dqwlxb/20130325.htm#b29 "29"), 该系数是由空间导数项的Taylor级数展开式而推导出的, 其只与空间域有关, 而实际计算地震波场的传播还与时间域有关, 所以采用常规有限差分系数求解方程时, 就会存在较大的频散和误差. | 2.1 时空域有限差分 2.2 自适应差分算子长度有限差分策略 2.3 成像条件 2.4 拉普拉斯算子去噪 | 本文采用基于时空域有限差分的差分系数求解声波方程, 并分析了其数值频散和稳定性, 与传统有限差分进行了对比, 结果表明:时空域有限差分方法的模拟精度比传统的有限差分精度高、稳定性好, 数值模拟结果也表明时空域有限差分数值模拟的波形保持得更好、频散更小. |
| 同时同频全双工场景中的射频域自适应干扰抵消 | 基于深度学习的诊断方法在完成普通的机械设备故障诊断任务时展现出了优秀的性能。 在实际工业场景中,由于工作条件的变化、设备的自然磨损、机器设备变化等因素,数据分布差异在所难免。当训练集和测试集之间存在数据分布差异时,大多数模 型的性能会严重下降。重新训练新的模型需要大量的标记数据,但是新场景中的标注样本收集起来十分困难。 | 1 基于 Transformer 的域自适应诊断模型 2 故障算法设计与验证 3 实验与结果分析 | 针对该问题本文提出的基于 VOLO 的域自适应故障诊断方法,通过结合注 意 力 模 型 和 使 用 对 抗 学 习 的 域 自 适 应模型相结合的 方 式 来 进 行 迁 移 学 习 任 务, 设 计 了 一 种故障诊断方法,并 在 数 据 集 上 进 行 了 算 法 有 效 性 的 验证。 通过在两 种 试 验 台 不 同 工 况, 不 同 实 验 部 件 上 获得实验数据集 上 进 行 训 练 和 测 试, 本 文 所 提 出 的 故 障诊断算法在实际实验的多个迁移任务下都能达到 95%以上的准确率。 |