CN113762466B - 电力物联网流量分类方法及装置 - Google Patents
电力物联网流量分类方法及装置 Download PDFInfo
- Publication number
- CN113762466B CN113762466B CN202110882758.2A CN202110882758A CN113762466B CN 113762466 B CN113762466 B CN 113762466B CN 202110882758 A CN202110882758 A CN 202110882758A CN 113762466 B CN113762466 B CN 113762466B
- Authority
- CN
- China
- Prior art keywords
- domain data
- target
- data
- classifier
- source 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims description 89
- 125000004122 cyclic group Chemical group 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 102100026278 Cysteine sulfinic acid decarboxylase Human genes 0.000 claims description 7
- 108010064775 protein C activator peptide Proteins 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 2
- 241001522296 Erithacus rubecula Species 0.000 claims 1
- 230000006855 networking Effects 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 14
- 238000009826 distribution Methods 0.000 description 10
- 238000013526 transfer learning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013145 classification model Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 238000013508 migration Methods 0.000 description 5
- 230000005012 migration Effects 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/75—Information technology; Communication
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电力物联网流量分类方法及装置，方法包括：根据第一分类器，确定目标域数据的伪标签；根据中间域数据的第一标签对源域数据进行重构；根据伪标签和重构的源域数据训练双向循环生成对抗网络，以获取目标双向循环生成对抗网络；将目标域数据输入至目标双向循环生成对抗网络，以对目标域数据进行分类。所述装置用于执行上述方法。本发明充分利用源域和目标域数据，生成的中间域数据起到数据增强的作用，并根据中间域数据更新源域数据进行重构，从而避免生成器转换能力太强导致的损失，可以以有标签数据(源域数据)训练的模型作为基础，实现对无标签(目标域)数据的流量分类。
Description
技术领域
本发明涉及数字信息处理技术领域，尤其涉及一种电力物联网流量分类方法及装置。
背景技术
电力物联网是物联网在智能电网中的应用，是信息通信技术发展到一定阶段的结果，其将有效整合通信基础设施资源和电力系统基础设施资源，提高电力系统信息化水平，改善电力系统现有基础设施利用效率，为电网发、输、变、配、用电等环节提供重要技术支撑。
网络流量分类是指，利用某种算法构造一个分类模型，并用该分类模型对收集到的各种应用程序的网络流数据进行分类识别，分类识别的结果是某种应用程序或者应用层协议，又或者是根据服务质量QoS要求划分的某种业务类型。影响分类准确率的主要是分类模型，在不同的时代和不同的应用场景下不同分类技术构造的分类模型的分类效果也不一样。
在实际应用过程中，电力物联网需要对不同类型的流量进行不同的操作，这时需要通过网络流量分类以进行下一步的操作，如正常转发、阻塞、整形等等。网络流量分类技术可以根据流量的各项特征，如数据包头类型、数据大小等对电力物联网中的流量数据进行分类，从而决定对流量进行的下一步操作。
由于网络流量数据具有较难获取、数据庞大复杂等特点，在进行流量异常检测、流量分类等任务时可能会遇到处理无标签流量数据的问题。传统的分类模型算法往往无法处理无标签数据，并不适用于无标签分类任务场景。
现有技术常常通过以下方案解决上述问题：
方案一：基于对抗式迁移学习的细粒度目标判别方法，结合了视觉目标细粒度分类识别和视觉解释生成过程，避免了解释模型对语义标签的依赖。该方案中模型的训练过程仅利用了源域数据信息，而对于目标域数据信息却未能有效利用。在这种方法中只有源域向目标域转换的过程，目标域没有得到充分利用，且生成器生成过程可能会出现无论什么输入数据都会得到和目标域数据分布相似的中间域，导致损失无效化。
方案二：基于Wasserstein距离的深度对抗迁移网络的故障诊断方法，通过Wasserstein距离在特征空间中度量两个领域的特征分布的距离，并进行特征分布的适配，降低两个领域的差异，学习领域无关特征以训练一个有效的分类器，负责将领域无关的特征映射到类别空间，完成分类任务，解决目标域中没有带标签的振动数据的无监督迁移学习问题。但同样，在这种方法中只有源域向目标域转换的过程，目标域信息没有得到充分利用。
发明内容
本发明提供的电力物联网流量分类方法，用于克服现有技术中存在的上述问题，充分利用源域和目标域数据，生成的中间域数据起到数据增强的作用，并根据中间域数据更新源域数据进行重构，从而避免生成器转换能力太强导致的损失，可以以有标签数据(源域数据)训练的模型作为基础，实现对无标签(目标域)数据的流量分类。
本发明提供一种电力物联网流量分类方法，包括：
根据第一分类器，确定目标域数据的伪标签；
将重构的源域数据输入至第一生成器，以对所述重构的源域数据进行更新；
根据所述伪标签和更新后的重构的源域数据训练双向循环生成对抗网络，以获取目标双向循环生成对抗网络；
将所述目标域数据输入至所述目标双向循环生成对抗网络，以对所述目标域数据进行分类；
其中，所述源域数据包括各类别的电力物联网流量数据；
所述目标域数据是根据获取的所述电力物联网流量数据确定的；
所述重构的源域数据是根据中间域数据的第一标签对源域数据进行重构确定的；
所述中间域数据是通过将所述源域数据输入至所述第一生成器获取的；
所述第一标签是根据所述源域数据的标签确定的。
根据本发明提供的一种电力物联网流量分类方法，所述根据第一分类器，确定目标域数据的伪标签，包括：
将所述目标域数据输入至所述第一分类器，以确定所述目标域数据的伪标签；
其中，所述第一分类器是通过如下方式确定的：
将所述源域数据输入预设分类器进行训练，并在第一目标函数达到第一预设值时，停止训练，以确定所述第一分类器。
根据本发明提供的一种电力物联网流量分类方法，所述根据所述伪标签和更新后的重构的源域数据训练双向循环生成对抗网络，以获取目标双向循环生成对抗网络，包括：
根据所述伪标签和所述更新后的重构的源域数据，确定所述双向循环生成对抗网络的目标损失函数；
根据所述目标损失函数训练所述双向循环生成对抗网络，并在满足预设收敛条件时，停止对所述重构的源域数据的更新和对所述双向循环生成对抗网络的训练，以获取所述目标双向循环生成对抗网络。
根据本发明提供的一种电力物联网流量分类方法，所述根据所述伪标签和所述更新后的重构的源域数据，确定所述双向循环生成对抗网络的目标损失函数，包括：
根据所述伪标签和所述更新后的重构的源域数据，分别确定所述双向循环生成对抗网络中的第二分类器、第三分类器和第二生成器的目标函数；
根据第二分类器的目标函数、第三分类器的目标函数和第二生成器的目标函数，确定所述目标损失函数。
根据本发明提供的一种电力物联网流量分类方法，所述根据所述伪标签和所述更新后的重构的源域数据，分别确定所述双向循环生成对抗网络中的第二分类器、第三分类器和第二生成器的目标函数，包括：
根据所述更新后的重构的源域数据，确定双向跨域损失函数；
根据所述双向跨域损失函数和分类一致性损失函数，分别确定所述第二分类器的目标函数和所述第三分类器的目标函数；
根据所述伪标签和所述更新后的重构的源域数据，分别确定所述第二分类器的第一循环一致性损失函数和所述第三分类器的第二循环一致性损失函数；
根据所述双向跨域损失函数、所述第一循环一致性损失函数、所述第二循环一致性损失函数和所述分类一致性损失函数，确定所述第二生成器的目标函数；
其中，所述分类一致性损失函数是根据将所述中间域数据分别输入至所述第二分类器和所述第三分类器后的输出确定的。
根据本发明提供的一种电力物联网流量分类方法，所述预设收敛条件，包括：
所述目标损失函数达到第二预设值；或
达到预设训练次数。
根据本发明提供的一种电力物联网流量分类方法，所述将所述目标域数据输入至所述目标双向循环生成对抗网络，以对所述目标域数据进行分类，包括：
将所述目标域数据输入至所述目标双向循环生成对抗网络，并根据所述目标双向循环生成对抗网络中的第二分类器的输出，确定所述目标域数据的标签；
根据所述目标域数据的标签对所述目标域数据进行分类。
本发明还提供一种电力物联网流量分类装置，包括：标签获取模块、数据更新模块、模型获取模块和数据分类模块；
所述标签获取模块，用于根据第一分类器，确定目标域数据的伪标签；
所述数据更新模块，用于将重构的源域数据输入至第一生成器，以对所述重构的源域数据进行更新；
所述模型获取模块，用于根据所述伪标签和更新后的重构的源域数据训练双向循环生成对抗网络，以获取目标双向循环生成对抗网络；
所述数据分类模块，用于将所述目标域数据输入至所述目标双向循环生成对抗网络，以对所述目标域数据进行分类；
其中，所述源域数据包括各类别的电力物联网流量数据；
所述目标域数据是根据获取的所述电力物联网流量数据确定的；
所述重构的源域数据是根据中间域数据的第一标签对源域数据进行重构确定的；
所述中间域数据是通过将所述源域数据输入至所述第一生成器获取的；
所述第一标签是根据所述源域数据的标签确定的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述电力物联网流量分类方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述电力物联网流量分类方法的步骤。
本发明提供的电力物联网流量分类方法及装置，充分利用源域和目标域数据，生成的中间域数据起到数据增强的作用，并根据中间域数据更新源域数据进行重构，从而避免生成器转换能力太强导致的损失，可以以有标签数据(源域数据)训练的模型作为基础，实现对无标签(目标域)数据的流量分类。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的电力物联网流量分类方法的流程示意图；
图2是本发明提供的目标双向循环生成对抗网络的结构示意图；
图3是本发明提供的电力物联网流量分类装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
针对电力互联网中网络流量分类场景中处理无标签数据的问题，常见的研究是使用生成模型的方法，旨在通过生成有标签的目标域数据解决缺乏标注数据的问题。在源域数据的帮助下，生成器生成相应的目标域数据，由于生成器不会改变数据的标签，这些生成的目标域数据与源域数据共享标签，此时得到有标签的目标域数据，再使用这些数据训练分类器，即可实现无标签分类任务。但是这种方式是单向的，即在维护源域标签的同时生成目标域，得到更多的目标域数据，没有通过目标域数据生成更多源域的过程，因此没有充分利用目标域。
基于此，本发明提出了一种电力物联网流量分类方法及装置，生成器在两个方向上进行分布转换，充分利用源域数据和目标域数据，生成的中间域数据起到数据增强的作用，类别循环一致性结构保证生成的中间域数据经过该结构对源域数据进行增强，从而避免生成器转换能力太强导致损失失效。同时，设计了两个分类器的结构并定义了分类一致性损失及类别循环一致性损失，双重一致性分类器同时产生判别损失和分类损失，判别损失包括真假损失和域混淆损失，指导生成器生成相应中间域，分类损失负责指导分类器完成目标分类任务，并在分类一致性损失的约束下提高分类性能，通过引入迁移学习，可以以有标签数据(源域数据)训练的模型作为基础，处理无标签(目标域数据)的分类任务。
迁移学习顾名思义就是把已训练好的模型(预训练模型)参数迁移到新的模型来帮助新模型训练。考虑到大部分数据或任务都是存在相关性的，所以通过迁移学习我们可以将已经学到的模型参数通过某种方式来分享给新模型从而加快并优化模型的学习效率不用像大多数网络那样从零学习。
在迁移学习分类任务中，如果没有任何标注数据，无法进行目标域微调，直接将在源域训练好的模型应用于目标域，会因为分布差异而导致性能不佳，因此参数迁移方法不再适用。迁移学习中的领域自适应机制(Domain Adaptation)可以完成无标签分类任务，在领域自适应中，通过使有标签源域数据和无标签目标域数据分布尽可能相似，从而使源域上训练好的分类器也可用于目标域。
基于对抗的领域自适应是常用方法之一，通过引入对抗的思想，确保网络无法区分源域和目标域，实现两个域的分布相似。在无标签分类任务中，通过生成器和判别器进行对抗训练，将源域和目标域的数据分布对齐，此时源域训练好的分类器也适用于目标域，因此本章的研究目标是采用基于对抗训练的领域自适应方法实现无标签分类任务。在基于对抗的领域自适应中，可以分为使用生成模型和使用非生成模型这两类方法，关键在于通过对抗训练，使源域和目标域的数据分布尽可能对齐，从而实现知识的迁移，但是目前这两类方法都还存在没有充分利用目标域、源域和目标域时可能会错误的将不同类别对齐等一些问题。
而在实际的电力物联网流量分类的应用场景中，这会使得无标签的目标域不能获取适合的标签，训练出的流量分类器效果较差，电力互联网的监控机制难以生效，流量数据难以得到合适的处理。
图1是本发明提供的电力物联网流量分类方法的流程示意图，如图1所示，方法包括：
S1、根据第一分类器，确定目标域数据的伪标签；
S2、将重构的源域数据输入至第一生成器，以对所述重构的源域数据进行更新；
S3、根据伪标签和更新后的重构的源域数据训练双向循环生成对抗网络，以获取目标双向循环生成对抗网络；
S4、将目标域数据输入至目标双向循环生成对抗网络，以对目标域数据进行分类；
其中，源域数据包括各类别的电力物联网流量数据；
目标域数据是根据获取的电力物联网流量数据确定的；
重构的源域数据是根据中间域数据的第一标签对源域数据进行重构确定的；
中间域数据是通过将源域数据输入至第一生成器获取的；
第一标签是根据所述源域数据的标签确定的。
需要说明的是，上述方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本或者个人数字助理(personal digital assistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(personal computer，PC)、电视机(television，TV)、柜员机或者自助机等，本发明不作具体限定。
可选地，在很多实际应用场景中，难以获取到充足的标注数据，收集标注数据或者进行标注工作，需要花费大量人力和时间，因此，利用另一个分布不同但是数据语义相关的源域数据来协助完成目标任务成为了可能。迁移学习成为解决这一问题的重要手段。定义有标签的训练数据为源域数据Xs，无标签的数据为目标域数据Xt，最终目的是给目标域数据赋予合适的标签，用以训练新的模型。在训练过程中，定义第一生成器G0生成的数据为中间域数据Fs。中间域数据起到数据增强及参与损失值计算的作用，具体地：
获取各类别的电力物联网流量数据，并构成源域数据Xs，利用源域数据Xs得到第一分类器C0，并用该分类器C0生成目标域数据Xt的伪标签
其中，目标域数据Xt是根据获取的无标签的电力物联网流量数据确定的。
因为，第一分类器C0保留了源域数据Xs的类别信息，用该分类器C0生成目标域数据Xt的伪标签有助于将目标域数据Xt向源域数据Xs转换。
源域数据Xs经过第一生成器G0后，得到对应的中间域数据Fs，中间域数据Fs与源域数据Xs具有相同的标签，可以根据源域数据Xs的标签Ys得到中间域数据Fs的第一标签Ys，并利用该第一标签Ys对源域数据Xs进行重构。
根据伪标签和更新后的重构的源域数据X′s训练双向循环生成对抗网络，以获取目标双向循环生成对抗网络；
需要说明的是，步骤S2中的对源域数据Xs的重构过程，是步骤S3中训练过程的一部分。每次第一生成器生成中间域数据后都会对源域数据Xs进行重构，对源域数据Xs的重构更新随着训练过程不断进行，直到满足预设收敛条件时，停止训练。
将目标域数据输入至目标双向循环生成对抗网络，以对目标域数据进行分类。
本发明提供的电力物联网流量分类方法，充分利用源域和目标域数据，生成的中间域数据起到数据增强的作用，并根据中间域数据更新源域数据进行重构，从而避免生成器转换能力太强导致的损失，可以以有标签数据(源域数据)训练的模型作为基础，实现对无标签(目标域)数据的流量分类。
进一步地，在一个实施例中，步骤S1可以具体包括：
S11、将目标域数据输入至第一分类器，以确定目标域数据的伪标签；
其中，第一分类器是通过如下方式确定的：
将源域数据输入预设分类器进行训练，并在第一目标函数达到第一预设值时，停止训练，以确定第一分类器。
可选地，将得到的源域数据Xs输入预设分类器进行训练，训练过程中以最小化目标函数为目标进行训练，并在第一目标函数L(C0,Xs)达到第一预设值时，停止训练，根据最后一次训练后的预设分类器，确定第一分类器。其中，第一目标函数L(C0,Xs)可以通过公式(1)得到：
L(C0,Xs)＝E(log C0(Xs)) (1)
其中，E表示期望值。
将目标域数据Xt输入至第一分类器C0，以得到目标域数据Xt的伪标签
本发明提供的电力物联网流量分类方法，基于迁移学习的思想，利用有标签数据(源域数据)训练的模型作为基础，得到无标签数据(目标域数据)的标签，加快了后续训练双向循环生成对抗网络的学习效率，提高了对无标签数据的分类效率。
进一步地，在一个实施例中，步骤S3可以具体包括：
S31、根据伪标签和更新后的重构的源域数据，确定双向循环生成对抗网络的目标损失函数；
S32、根据目标损失函数训练双向循环生成对抗网络，并在满足预设收敛条件时，停止对重构的源域数据的更新和对双向循环生成对抗网络的训练，以获取目标双向循环生成对抗网络。
进一步地，在一个实施例中，预设收敛条件，可以具体包括：
目标损失函数达到第二预设值；或
达到预设训练次数。
可选地，根据目标域数据Xt的伪标签
和更新后的重构的源域数据X′s，得到双向循环生成对抗网络的目标损失函数，根据目标损失函数训练双向循环生成对抗网络，并在目标损失函数达到第二预设值，或达到预设训练次数时，停止训练，得到目标双向循环生成对抗网络。
本发明提供的电力物联网流量分类方法，充分利用源域和目标域数据，生成的中间域数据起到数据增强的作用，并根据中间域数据更新源域数据进行重构，从而避免生成器转换能力太强导致的损失，使得基于重构的源域数据和目标域数据训练得到的目标双向循环生成对抗网络，能够实现对无标签数据的分类任务。
进一步地，在一个实施例中，步骤S31可以具体包括：
S311、根据伪标签和更新后的重构的源域数据，分别确定双向循环生成对抗网络中的第二分类器、第三分类器和第二生成器的目标函数；
S312、根据第二分类器的目标函数、第三分类器的目标函数和第二生成器的目标函数，确定目标损失函数。
进一步地，在一个实施例中，步骤S311可以具体包括：
S3111、根据更新后的重构的源域数据，确定双向跨域损失函数；
S3112、根据双向跨域损失函数和分类一致性损失函数，分别确定第二分类器的目标函数和第三分类器的目标函数；
S3113、根据伪标签和更新后的重构的源域数据，分别确定第二分类器的第一循环一致性损失函数和第三分类器的第二循环一致性损失函数；
S3114、根据双向跨域损失函数、第一循环一致性损失函数、第二循环一致性损失函数和分类一致性损失函数，确定第二生成器的目标函数；
其中，分类一致性损失函数是根据将中间域数据分别输入至第二分类器和第三分类器后的输出确定的。
可选地，如图2所示，是本发明提供的目标双向循环生成对抗网络的结构示意图，该目标双向循环生成对抗网络可以具体由源分支和目标分支构成，其中，源分支包括：将源域数据Xs输入至第一生成器G0，得到对应的中间域数据Fs，并利用中间域数据Fs的第一标签Ys对源域数据Xs进行重构，并利用源域数据Xs和中间域数据Fs训练第三分类器Cs；目标分支包括：通过利用目标域数据Xt和中间域数据Fs训练第二分类器Ct。
根据目标域数据Xt的伪标签
和更新后的重构的源域数据X′s，分别得到双向循环生成对抗网络中的第二分类器Ct、第三分类器Cs和第二生成器Gs的目标函数，具体如下：
根据更新后的重构的源域数据X′s，确定双向跨域损失函数
如公式(2)所示：
其中，
可由公式(3)计算得到：
其中，在式(3)中函数f及其共轭函数f*被定义为：
f(u)＝u log u-(u+1)log(u+1) (4)
其中，u为任意变量。
根据双向跨域损失函数
和分类一致性损失函数Lcon，基于公式(7)得到第二分类器Ct的目标函数LC，第三分类器的目标函数LC′和第二分类器Ct的目标函数LC相同。
以最小化LC为目标分别训练第二分类器Ct和第三分类器Cs。其中，Cs的输入是源域数据Xs、源域数据Xs的标签Ys、中间域数据Fs和中间域数据Fs的标签Ys，Ct的输入是中间域数据Fs、中间域数据Fs的标签Ys、目标域数据Xt和目标域数据Xt的伪标签
第三分类器Cs的任务包括分类任务和判别真假，第二分类器Ct的任务包括分类任务和域混淆判别。
其中，β′是预设权重，Lcon为分类一致性损失函数，可以由公式(8)计算得到：
Lcon＝‖Ct(Fs)-Cs(Fs)‖2 (8)
其中，Ct(Fs)代表将中间域数据Fs输入至第二分类器Ct的输出，Cs(Fs)代表将中间域数据Fs输入至第三分类器Cs的输出。
根据目标域数据Xt的伪标签
和更新后的重构的源域数据X′s，分别根据公式(9)和公式(10)计算第二分类器Ct的第一循环一致性损失函数/>
和第三分类器Cs的第二循环一致性损失函数/>
根据双向跨域损失函数
第一循环一致性损失函数/>
第二循环一致性损失函数/>
和分类一致性损失函数Lcon，基于公式(11)计算得到第二生成器Gs的目标函数LG：
其中，α和β均为预先设置的权值。
本发明提供的电力物联网流量分类方法，通过引入对抗的思想，设计了两个分类器的结构并定义了分类一致性损失及循环一致性损失，双重一致性分类器同时产生判别损失和分类损失，指导生成器生成相应中间域数据，分类损失负责指导分类器完成目标分类任务，并在分类一致性损失的约束下提高对无标签的目标域数据的分类性能。
进一步地，在一个实施例中，步骤S4可以具体包括：
S41、将目标域数据输入至目标双向循环生成对抗网络，并根据目标双向循环生成对抗网络中的第二分类器的输出，确定目标域数据的标签；
S42、根据目标域数据的标签对目标域数据进行分类。
可选地，将目标域数据Xt输入至目标双向循环生成对抗网络，并根据目标双向循环生成对抗网络中的第二分类器Ct的输出，得到目标域数据Xt的标签，可以根据目标域数据Xt的标签完成对目标域数据的分类，也可以通过基于赋予标签的目标域数据Xt作为训练数据，训练新的流量分类器C1进行分类任务。
在实际的应用场景中，使用数据为ISCXIDS2012公开流量数据集。ISCXIDS2012是加拿大新不伦瑞克大学的卓越信息中心发布的流量数据集，此数据集包含从真实网络中收集的7天真实网络流量数据；由于在ISCXIDS2012和CIC-IDS2017中，数据均以PCAP的形式存在，因此需要对数据进行预处理。首先使用pkt2flow(将数据包分类为流的简单实用程序)将每个大的PCAP文件处理成以流为单位的小的PCAP文件，然后使用FlowMining挖掘算法将所有流文件转换为三维向量或者可视化图片形式，并进行标记(正常或异常)。具体分析步骤如下：
利用源域数据训练第一分类器C0，并用该分类器生成目标域数据的伪标签记录
结果如表1：
表1
训练第二生成器Gs及分类器Cs、Ct，生成器Gs生成数据id及其对应标签
结果如表2所示：
表2
根据训练好的生成器Gs所生成的有标签数据训练分类器C1，分类器C1最终分类的效果如表3所示：
| 准确率 | 精确率 | 召回值 | F1分数 |
| 76.82％ | 72.19％ | 78.12％ | 75.04％ |
其中，F1分数是分类问题的一个衡量指标。
本发明提供的电力物联网流量分类方法，针对网络流量分类场景下数据存在无标签、标签不可靠等问题，使用迁移学习的方法并采用对抗生成网络的思想，综合利用源域与目标域数据，生成的中间域起到数据增强的作用，避免生成器转换能力太强导致损失失效，同时，利用判别损失和分类损失，指导分类器完成目标分类任务及生成器的生成任务，提升分类性能及生成性能，为无标签流量分类任务提供了一种有效可行的方法。
下面对本发明提供的电力物联网流量分类装置进行描述，下文描述的电力物联网流量分类装置与上文描述的电力物联网流量分类方法可相互对应参照。
图3是本发明提供的电力物联网流量分类装置的结构示意图，如图3所示，包括：标签获取模块310、数据更新模块311、模型获取模块312和数据分类模块313；
标签获取模块310，用于根据第一分类器，确定目标域数据的伪标签；
数据更新模块311，用于将重构的源域数据输入至第一生成器，以对所述重构的源域数据进行更新；
模型获取模块312，用于根据伪标签和更新后的重构的源域数据训练双向循环生成对抗网络，以获取目标双向循环生成对抗网络；
数据分类模块313，用于将目标域数据输入至目标双向循环生成对抗网络，以对目标域数据进行分类；
其中，源域数据包括各类别的电力物联网流量数据；
目标域数据是根据获取的电力物联网流量数据确定的；
重构的源域数据是根据中间域数据的第一标签对源域数据进行重构确定的；
中间域数据是通过将源域数据输入至第一生成器获取的；
第一标签是根据源域数据的标签确定的。
本发明提供的电力物联网流量分类装置，充分利用源域和目标域数据，生成的中间域数据起到数据增强的作用，并根据中间域数据更新源域数据进行重构，从而避免生成器转换能力太强导致的损失，可以以有标签数据(源域数据)训练的模型作为基础，实现对无标签(目标域)数据的流量分类。
图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(communication interface)411、存储器(memory)412和总线(bus)413，其中，处理器410，通信接口411，存储器412通过总线413完成相互间的通信。处理器410可以调用存储器412中的逻辑指令，以执行如下方法：
根据第一分类器，确定目标域数据的伪标签；
将重构的源域数据输入至第一生成器，以对重构的源域数据进行更新；
根据伪标签和更新后的重构的源域数据训练双向循环生成对抗网络，以获取目标双向循环生成对抗网络；
将目标域数据输入至目标双向循环生成对抗网络，以对目标域数据进行分类；
其中，源域数据包括各类别的电力物联网流量数据；
目标域数据是根据获取的电力物联网流量数据确定的；
重构的源域数据是根据中间域数据的第一标签对源域数据进行重构确定的；
中间域数据是通过将源域数据输入至第一生成器获取的；
第一标签是根据源域数据的标签确定的。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的电力物联网流量分类方法，例如包括：
根据第一分类器，确定目标域数据的伪标签；
将重构的源域数据输入至第一生成器，以对重构的源域数据进行更新；
根据伪标签和更新后的重构的源域数据训练双向循环生成对抗网络，以获取目标双向循环生成对抗网络；
将目标域数据输入至目标双向循环生成对抗网络，以对目标域数据进行分类；
其中，源域数据包括各类别的电力物联网流量数据；
目标域数据是根据获取的电力物联网流量数据确定的；
重构的源域数据是根据中间域数据的第一标签对源域数据进行重构确定的；
中间域数据是通过将源域数据输入至第一生成器获取的；
第一标签是根据源域数据的标签确定的。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的电力物联网流量分类方法，例如包括：
根据第一分类器，确定目标域数据的伪标签；
将重构的源域数据输入至第一生成器，以对重构的源域数据进行更新；
根据伪标签和更新后的重构的源域数据训练双向循环生成对抗网络，以获取目标双向循环生成对抗网络；
将目标域数据输入至目标双向循环生成对抗网络，以对目标域数据进行分类；
其中，源域数据包括各类别的电力物联网流量数据；
目标域数据是根据获取的电力物联网流量数据确定的；
重构的源域数据是根据中间域数据的第一标签对源域数据进行重构确定的；
中间域数据是通过将源域数据输入至第一生成器获取的；
第一标签是根据源域数据的标签确定的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电力物联网流量分类方法，其特征在于，包括：
根据第一分类器，确定目标域数据的伪标签；
将重构的源域数据输入至第一生成器，以对所述重构的源域数据进行更新；
根据所述伪标签和更新后的重构的源域数据训练双向循环生成对抗网络，以获取目标双向循环生成对抗网络；
将所述目标域数据输入至所述目标双向循环生成对抗网络，以对所述目标域数据进行分类；
其中，所述源域数据包括各类别的电力物联网流量数据；
所述目标域数据是根据获取的所述电力物联网流量数据确定的；
所述重构的源域数据是根据中间域数据的第一标签对源域数据进行重构确定的；
所述中间域数据是通过将所述源域数据输入至所述第一生成器获取的；
所述第一标签是根据所述源域数据的标签确定的；
所述第一分类器是通过如下方式确定的：
将所述源域数据输入预设分类器进行训练，并在第一目标函数达到第一预设值时，停止训练，以确定所述第一分类器；
所述源域数据的获取方式包括：
对ISCXIDS2012公开流量数据集进行如下预处理，所述ISCXIDS2012公开流量数据集是以PCAP文件的形式存储的；
使用拆包工具pkt2flow将每个PCAP文件处理成以流为单位的流文件；
使用FlowMining挖掘算法将所有流文件转换为三维向量或者可视化图片形式，进行标记，得到所述源域数据。
2.根据权利要求1所述的电力物联网流量分类方法，其特征在于，所述根据第一分类器，确定目标域数据的伪标签，包括：
将所述目标域数据输入至所述第一分类器，以确定所述目标域数据的伪标签。
3.根据权利要求1所述的电力物联网流量分类方法，其特征在于，所述根据所述伪标签和更新后的重构的源域数据训练双向循环生成对抗网络，以获取目标双向循环生成对抗网络，包括：
根据所述伪标签和所述更新后的重构的源域数据，确定所述双向循环生成对抗网络的目标损失函数；
根据所述目标损失函数训练所述双向循环生成对抗网络，并在满足预设收敛条件时，停止对所述重构的源域数据的更新和对所述双向循环生成对抗网络的训练，以获取所述目标双向循环生成对抗网络。
4.根据权利要求3所述的电力物联网流量分类方法，其特征在于，所述根据所述伪标签和所述更新后的重构的源域数据，确定所述双向循环生成对抗网络的目标损失函数，包括：
根据所述伪标签和所述更新后的重构的源域数据，分别确定所述双向循环生成对抗网络中的第二分类器、第三分类器和第二生成器的目标函数；
根据第二分类器的目标函数、第三分类器的目标函数和第二生成器的目标函数，确定所述目标损失函数。
5.根据权利要求4所述的电力物联网流量分类方法，其特征在于，所述根据所述伪标签和所述更新后的重构的源域数据，分别确定所述双向循环生成对抗网络中的第二分类器、第三分类器和第二生成器的目标函数，包括：
根据所述更新后的重构的源域数据，确定双向跨域损失函数；
根据所述双向跨域损失函数和分类一致性损失函数，分别确定所述第二分类器的目标函数和所述第三分类器的目标函数；
根据所述伪标签和所述更新后的重构的源域数据，分别确定所述第二分类器的第一循环一致性损失函数和所述第三分类器的第二循环一致性损失函数；
根据所述双向跨域损失函数、所述第一循环一致性损失函数、所述第二循环一致性损失函数和所述分类一致性损失函数，确定所述第二生成器的目标函数；
其中，所述分类一致性损失函数是根据将所述中间域数据分别输入至所述第二分类器和所述第三分类器后的输出确定的。
6.根据权利要求3-5任一项所述的电力物联网流量分类方法，其特征在于，所述预设收敛条件，包括：
所述目标损失函数达到第二预设值；或
达到预设训练次数。
7.根据权利要求1所述的电力物联网流量分类方法，其特征在于，所述将所述目标域数据输入至所述目标双向循环生成对抗网络，以对所述目标域数据进行分类，包括：
将所述目标域数据输入至所述目标双向循环生成对抗网络，并根据所述目标双向循环生成对抗网络中的第二分类器的输出，确定所述目标域数据的标签；
根据所述目标域数据的标签对所述目标域数据进行分类。
8.一种电力物联网流量分类装置，其特征在于，包括：标签获取模块、数据更新模块、模型获取模块和数据分类模块；
所述标签获取模块，用于根据第一分类器，确定目标域数据的伪标签；
所述数据更新模块，用于将重构的源域数据输入至第一生成器，以对所述重构的源域数据进行更新；
所述模型获取模块，用于根据所述伪标签和更新后的重构的源域数据训练双向循环生成对抗网络，以获取目标双向循环生成对抗网络；
所述数据分类模块，用于将所述目标域数据输入至所述目标双向循环生成对抗网络，以对所述目标域数据进行分类；
其中，所述源域数据包括各类别的电力物联网流量数据；
所述目标域数据是根据获取的所述电力物联网流量数据确定的；
所述重构的源域数据是根据中间域数据的第一标签对源域数据进行重构确定的；
所述中间域数据是通过将所述源域数据输入至所述第一生成器获取的；
所述第一标签是根据所述源域数据的标签确定的；
所述第一分类器是通过如下方式确定的：
将所述源域数据输入预设分类器进行训练，并在第一目标函数达到第一预设值时，停止训练，以确定所述第一分类器；
所述源域数据的获取方式包括：
对ISCXIDS2012公开流量数据集进行如下预处理，所述ISCXIDS2012公开流量数据集是以PCAP文件的形式存储的；
使用拆包工具pkt2flow将每个PCAP文件处理成以流为单位的流文件；
使用FlowMining挖掘算法将所有流文件转换为三维向量或者可视化图片形式，进行标记，得到所述源域数据。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述电力物联网流量分类方法的步骤。
10.一种非暂态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时实现如权利要求1至7任一项所述电力物联网流量分类方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110882758.2A CN113762466B (zh) | 2021-08-02 | 2021-08-02 | 电力物联网流量分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110882758.2A CN113762466B (zh) | 2021-08-02 | 2021-08-02 | 电力物联网流量分类方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113762466A CN113762466A (zh) | 2021-12-07 |
| CN113762466B true CN113762466B (zh) | 2023-06-20 |
Family
ID=78788349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110882758.2A Active CN113762466B (zh) | 2021-08-02 | 2021-08-02 | 电力物联网流量分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113762466B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115062685A (zh) * | 2022-04-29 | 2022-09-16 | 北京邮电大学深圳研究院 | 一种故障诊断方法、装置、电子设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256561A (zh) * | 2017-12-29 | 2018-07-06 | 中山大学 | 一种基于对抗学习的多源域适应迁移方法及系统 |
| CN108460415A (zh) * | 2018-02-28 | 2018-08-28 | 国信优易数据有限公司 | 伪标签生成模型训练方法及伪标签生成方法 |
| CN109614980A (zh) * | 2018-10-16 | 2019-04-12 | 杭州电子科技大学 | 一种基于半监督广域迁移度量学习的小样本目标识别方法 |
| CN109753992A (zh) * | 2018-12-10 | 2019-05-14 | 南京师范大学 | 基于条件生成对抗网络的无监督域适应图像分类方法 |
| CN110427875A (zh) * | 2019-07-31 | 2019-11-08 | 天津大学 | 基于深度迁移学习和极限学习机的红外图像目标检测方法 |
| US10839269B1 (en) * | 2020-03-20 | 2020-11-17 | King Abdulaziz University | System for fast and accurate visual domain adaptation |
| EP3767536A1 (en) * | 2019-07-17 | 2021-01-20 | Naver Corporation | Latent code for unsupervised domain adaptation |
| CN112348284A (zh) * | 2020-11-25 | 2021-02-09 | 新智数字科技有限公司 | 一种电力负荷预测方法、装置、可读介质及电子设备 |
| CN113052243A (zh) * | 2021-03-30 | 2021-06-29 | 浙江工业大学 | 基于CycleGAN和条件分布自适应的目标检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200130177A1 (en) * | 2018-10-29 | 2020-04-30 | Hrl Laboratories, Llc | Systems and methods for few-shot transfer learning |
-
2021
- 2021-08-02 CN CN202110882758.2A patent/CN113762466B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256561A (zh) * | 2017-12-29 | 2018-07-06 | 中山大学 | 一种基于对抗学习的多源域适应迁移方法及系统 |
| CN108460415A (zh) * | 2018-02-28 | 2018-08-28 | 国信优易数据有限公司 | 伪标签生成模型训练方法及伪标签生成方法 |
| CN109614980A (zh) * | 2018-10-16 | 2019-04-12 | 杭州电子科技大学 | 一种基于半监督广域迁移度量学习的小样本目标识别方法 |
| CN109753992A (zh) * | 2018-12-10 | 2019-05-14 | 南京师范大学 | 基于条件生成对抗网络的无监督域适应图像分类方法 |
| EP3767536A1 (en) * | 2019-07-17 | 2021-01-20 | Naver Corporation | Latent code for unsupervised domain adaptation |
| CN110427875A (zh) * | 2019-07-31 | 2019-11-08 | 天津大学 | 基于深度迁移学习和极限学习机的红外图像目标检测方法 |
| US10839269B1 (en) * | 2020-03-20 | 2020-11-17 | King Abdulaziz University | System for fast and accurate visual domain adaptation |
| CN112348284A (zh) * | 2020-11-25 | 2021-02-09 | 新智数字科技有限公司 | 一种电力负荷预测方法、装置、可读介质及电子设备 |
| CN113052243A (zh) * | 2021-03-30 | 2021-06-29 | 浙江工业大学 | 基于CycleGAN和条件分布自适应的目标检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种基于样本选择和在线字典学习的域适应图像分类算法;张旭;刘韬;杜跃;;苏州市职业大学学报(第02期);17-22 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113762466A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jacob et al. | Facial action unit detection with transformers | |
| Yu et al. | Deep-learning-empowered breast cancer auxiliary diagnosis for 5GB remote E-health | |
| Jauro et al. | Deep learning architectures in emerging cloud computing architectures: Recent development, challenges and next research trend | |
| van Berlo et al. | Towards federated unsupervised representation learning | |
| EP3767536A1 (en) | Latent code for unsupervised domain adaptation | |
| US20220222925A1 (en) | Artificial intelligence-based image processing method and apparatus, device, and storage medium | |
| Huang et al. | Multivariate time series early classification using multi-domain deep neural network | |
| CN114693624B (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
| He et al. | MTAD‐TF: Multivariate Time Series Anomaly Detection Using the Combination of Temporal Pattern and Feature Pattern | |
| CN109977832B (zh) | 一种图像处理方法、装置及存储介质 | |
| Cheng et al. | Online power system event detection via bidirectional generative adversarial networks | |
| CN115861462B (zh) | 图像生成模型的训练方法、装置、电子设备及存储介质 | |
| CN112927266B (zh) | 基于不确定性引导训练的弱监督时域动作定位方法及系统 | |
| CN113762466B (zh) | 电力物联网流量分类方法及装置 | |
| Wang et al. | Classification of skin lesions with generative adversarial networks and improved MobileNetV2 | |
| Niu et al. | Boundary-aware RGBD salient object detection with cross-modal feature sampling | |
| Zhang et al. | A deep contrastive learning approach to extremely-sparse disaster damage assessment in social sensing | |
| CN114550291A (zh) | 一种步态特征提取方法、装置及设备 | |
| He et al. | Few-shot fault diagnosis of turnout switch machine based on flexible semi-supervised meta-learning network | |
| Zeng et al. | Cloud-GAN: Cloud Generation Adversarial Networks for anomaly detection | |
| Hu et al. | Crowd R-CNN: An object detection model utilizing crowdsourced labels | |
| CN116243680A (zh) | 一种黑盒域适应的工业设备诊断方法、系统及存储介质 | |
| Zhang et al. | Chronic wounds image generator based on deep convolutional generative adversarial networks | |
| Yasmin et al. | Impact of fuzziness for skin lesion classification with transformer-based model | |
| Jin et al. | Foveation for segmentation of mega-pixel histology images |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: 450052 building C, office area, No.87, Songshan South Road, Erqi District, Zhengzhou City, Henan Province Patentee after: State Grid Henan Electric Power Company Information and Communication Branch Country or region after: China Patentee after: BEIJING VECTINFO TECHNOLOGIES CO.,LTD. Patentee after: STATE GRID CORPORATION OF CHINA Patentee after: Beijing University of Posts and Telecommunications Address before: No. 87, Songshan Road, 27 District, Zhengzhou City, Henan Province Patentee before: INFORMATION AND COMMUNICATION COMPANY OF STATE GRID HENAN ELECTRIC POWER COMPANY Country or region before: China Patentee before: BEIJING VECTINFO TECHNOLOGIES CO.,LTD. Patentee before: STATE GRID CORPORATION OF CHINA Patentee before: Beijing University of Posts and Telecommunications |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240426 Address after: 450052 building C, office area, No.87, Songshan South Road, Erqi District, Zhengzhou City, Henan Province Patentee after: State Grid Henan Electric Power Company Information and Communication Branch Country or region after: China Patentee after: STATE GRID CORPORATION OF CHINA Patentee after: Beijing University of Posts and Telecommunications Address before: 450052 building C, office area, No.87, Songshan South Road, Erqi District, Zhengzhou City, Henan Province Patentee before: State Grid Henan Electric Power Company Information and Communication Branch Country or region before: China Patentee before: BEIJING VECTINFO TECHNOLOGIES CO.,LTD. Patentee before: STATE GRID CORPORATION OF CHINA Patentee before: Beijing University of Posts and Telecommunications |