Page 181 - 《软件学报》2025年第12期

5562 软件学报 2025 年第 36 卷第 12 期

∑ m

L pa =
sinΘ S ↔T

= sinα S ↔T (26)
1 i=1 i
4.3 模型总结
基于以上模型介绍, 本文给出目标函数, 如公式 (27) 所示:

( )
L θ k ,θ q ,θ m ,θ g ,θ c ,θ d = γL VAE +βL pa + L y (27)
其中, β,γ 为超参数. 在上述目标函数下, 本文的模型在源域和目标域上使用 Adam 的优化算法进行训练:

( )
θ k ,θ q ,θ m ,θ g ,θ c ,θ d = argminL θ k ,θ q ,θ m ,θ g ,θ c ,θ d .
本方法的时间消耗主要来自奇异值分解. 对于一个大小为 m×n 的矩阵, 它的 SVD 分解的时间复杂度为
O(min(m ,mn )). 在实际场景下, 可以通过 GPU 进行加速, 每一个批次所消耗的时间为 0.25 s.
2
2n
5 实验设计及结果分析

本文在 3 个公开基准数据集上进行了实验验证: UCI 人类活动识别 (UCI human activity recognition, UCIHAR) [84]
数据集, 异质性人类活动识别 (heterogeneity human activity recognition, HHAR) [85] 数据集, 以及人体行为姿势识别
(wireless sensor data mining, WISDM) [86] 数据集. 实验结果展示了在这些数据集上的 F1 结果. 所有实验均采用了 3
个不同的随机种子进行多次重复实验, 并报告了多次随机种子结果的平均值. 所有数据集的参数设置如表 2
所示.

表 2 实验超参数描述以及取值

参数 描述 UCIHAR HHAR WISDM
optimizer 优化器 Adam Adam Adam
epoch 训练轮次 40 40 40
batch size 训练批次大小 32 32 32
Sequence len 时间序列长度 50 50 50
predict len 预测序列长度 50 50 50
Learning rate 学习率 0.005 0.000 5 0.003

本次实验使用图形加速器的型号为 NVIDIA RTX A5000, 操作系统为 Linux (Ubuntu 版本为 16.04), CUDA 版
本为 11.6, 程序在 PyTorch 1.12.0 框架下构建和训练, 采用的编程语言环境为 Python 3.9.16.
此外, 为了验证本文提出的 DIVV 的时间序列领域自适应方法中的每一个模块的有效性, 本文做了一系列消
融实验并提供了可视化结果.
本文将在第 5.1 节中介绍数据集, 第 5.2 节简要介绍对比方法, 第 5.3–5.5 节展示并分析实验结果, 第 5.6 和
5.7 节对本文模型各模块的消融实验进行可视化.
5.1 数据集

5.1.1 UCIHAR 数据集
UCIHAR 数据集 (University of California, irvine-human activity recognition dataset) 是人体活动识别领域的一
个重要资源, 旨在促进机器学习和数据挖掘算法的发展和评估. 该数据集由智能手机上的加速度计和陀螺仪传感
器收集, 用于记录来自 30 名志愿者的活动数据. 数据集包含 6 种常见的人体活动类别, 涵盖站立、坐着、躺着、
行走、上楼梯和下楼梯. 每个数据样本都包含了在 3 个轴 (X、Y、Z) 上的加速度和角速度数据, 以及相应的活动
标签. 通常, UCIHAR 数据集被划分为训练集和测试集, 用于机器学习模型的训练和评估. 这个数据集在健康监测、
智能设备和运动跟踪等领域具有广泛的应用潜力, 为研究人员和开发者提供了有效的工具, 以提高人体活动识别
的准确性和应用水平. 通过对 UCIHAR 数据集的分析和理解, 可以为健康监护、智能技术和人体动作分析等领域
的创新提供坚实的基础. 因此, 本文选择使用这个数据集来评估所提出的 DIVV 的时间序列预测领域自适应方法
模型的性能.