
-
生物通官微
陪你抓住生命科技
跳动的脉搏
CCDNN:一种用于多源数据融合的新型深度学习架构
《IEEE/CAA Journal of Automatica Sinica》:CCDNN: A Novel Deep Learning Architecture for Multi-Source Data Fusion
【字体: 大 中 小 】 时间:2026年04月03日 来源:IEEE/CAA Journal of Automatica Sinica 19.2
编辑推荐:
本文针对多源数据融合的挑战,提出基于典型相关约束的深度神经网络CCDNN,通过冗余过滤器减少冗余,在重构、分类、预测任务中表现优于传统方法,并验证其在工业故障诊断中的应用效果。
随着工业4.0和工业物联网的快速发展,多源数据收集能力得到了显著提升。人们普遍认为,数据融合可以通过整合多个数据源来提高各种工程任务的性能,例如重建、分类和预测,其效果优于单一数据源。然而,如何有效地融合这些多源数据以应用于各种工程领域仍然是一个未解决的问题。在各种数据融合技术中,规范相关分析(CCA)最初是为多变量数据分析提出的[1]、[2],现已成为一种通过保持数据相关表示来融合数据的重要工具[3]–[5]。CCA的扩展形式——核规范相关分析(KCCA)通过将数据映射到由特定核函数定义的再生核希尔伯特空间中,能够发现最大相关的非线性投影[6]–[8]。CCA和KCCA已被用于无监督数据分析:当有多个数据源时进行特征学习以用于预测;当有一个数据视图可用于表示学习但无法用于预测时学习单视图的特征;以及使用未标记数据降低预测问题的样本复杂性。尽管KCCA可以学习非线性表示,但它依赖于固定的核函数,这限制了其在大数据集上的扩展性(无论是训练时间还是为新数据点计算表示的时间)。为了解决这些问题并利用深度神经网络(DNNs)[9]–[12]强大的表示学习能力,提出了深度规范相关分析(DCCA)[13],它可以被视为KCCA的改进版本。DCCA提供了一种灵活的非线性替代方案,能够在没有非参数模型相关限制的情况下学习适应性强的非线性表示。鉴于DNNs在各种任务中的成功应用[15]–[18],预计它能够学习高度相关的表示。在DCCA中,同时学习成对数据视图之间的两个最大相关非线性映射。这三种方法的应用范围非常广泛,包括医学、气象学、化学计量学、生物学和神经学、自然语言处理、语音处理、计算机视觉、多模态信号处理以及工业故障诊断[19]–[27]。线性CCA在预测任务中的一个吸引人的特点是其对噪声的鲁棒性:当一个视图存在噪声且与另一个视图不相关时,学习到的表示不应包含噪声[13]。
KCCA、DCCA和CCDNN的架构比较。