-
题名基于非平衡损失函数的细粒度多标签专利分类方法研究
- 1
-
-
作者
魏超
毛一雷
李琳珊
王弋波
李妙钰
-
机构
中国科学技术信息研究所
-
出处
《高技术通讯》
北大核心
2025年第4期393-402,共10页
-
基金
国家重点研发计划(2019YFA0707202)
中国科学技术信息研究所创新研究基金(QN2024-07)资助项目。
-
文摘
细粒度多标签专利分类方法面临非平衡专利分类标签,导致分类精度退化。为此,本文聚焦基于深度学习的多标签文本分类方法,将非平衡损失函数作为分类器的目标函数,然后通过基于深度学习的微调训练进行分类器最优化求解,引导分类器对非平衡类别进行再平衡,缓解标签非平衡问题。选择2017-2022年“光伏”领域的英文专利构建实验数据集进行实证,最佳微平均F1值为0.4969,宏平均F1值为0.3329,汉明损失为0.1745,相比于基于二元交叉熵(binary cross entropy,BCE)模型,分别提升25%、80%和8%。实验结果表明,该方法实现了面向“大组/小组”级多标签专利分类,改善了多标签分类的整体效果,提升了少样本类别效果。
-
关键词
多标签专利分类
深度学习
非平衡损失函数
-
Keywords
multi-label patent classification
deep learning
unbalanced loss function
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
-
题名样本不均衡时轴承故障的非平衡卷积网络诊断
被引量：2
- 2
-
-
作者
裴红蕾
-
机构
无锡工艺职业技术学院机电与信息工程学院
-
出处
《制造技术与机床》
北大核心
2023年第4期174-180,共7页
-
基金
年度宜兴市科技创新专项科技攻关项目(2021SF04)。
-
文摘
为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神经网络的样本增广;其次,分析了卷积神经网络无差别对待样本的缺点,针对不均衡样本的特殊性,提出了非平衡损失函数卷积网络,该网络能够自动关注数量少、难分的样本训练。经实验验证,生成对抗网络增广的样本相似度为0.847,孪生神经网络增广的样本相似度比对抗网络提高了6.61%,说明孪生神经网络的样本增广效果更好;在相同诊断方法前提下,样本增广后比增广前的准确率提高了9.42%,说明样本增广有利于提高轴承的故障诊断准确率;非均衡损失网络比卷积神经网络的诊断精度提高了7.17%,比自适应深度学习提高了4.12%,验证了非均衡损失网络的高准确率和优越性。
-
关键词
样本不均衡
轴承故障诊断
非平衡损失函数
孪生神经网络
变分自编码器
-
Keywords
imbalance sample
bearing fault diagnosis
unbalance loss function
twin neural network
variational self-encoder
-
分类号
TH133
[机械工程—机械制造及自动化]
TP391
[自动化与计算机技术—计算机应用技术]
-
