Page 387 - 《软件学报》2026年第3期

1350 软件学报 2026 年第 37 卷第 3 期

7.5 15
6
5.0 10
PCA feature 4 2 PCA feature 2.5 0 PCA feature 5 0

−2.5 −5
0
−5.0 −10
13:04 13:05 13:06 13:07 13:08 13:09 13:09 13:10 13:12 13:13 13:14 13:16 13:17 13:18 13:19 13:20
Arrival time Arrival time Arrival time
(a) Time series of standing (before DA) (b) Time series of sitting (before DA) (c) Time series of walking (before DA)

5
4 4
Model feature 3 Model feature 3 Model feature 4 3

2 2
2
1
1
13:04 13:05 13:06 13:07 13:08 13:09 13:09 13:10 13:12 13:13 13:14 13:16 13:17 13:18 13:19 13:20
Arrival time Arrival time Arrival time
(d) Time series of standing (after DA) (e) Time series of sitting (after DA) (f) Time series of walking (after DA)
Source Target
图 8 HHAR 的手表加速度计 a 用户的时序特征的可视化结果

从图 8 中可以看出, 不使用 TPAM 和 EAP 时, 直接使用 PCA 降维方法获得的时序特征的可视化结果如
图 7(a)–(c) 所示, 时序特征的分布差异较大, 3 个不同的类别的域之间的界限明显. 图 7(d)–(f) 是我们方法得到
的时序特征, 我们的方法经过了域校正, 3 个不同类别的源域与目标域的特征分布靠得更近了, 显著降低了域
偏移的影响. 因此, 本文方法能够有效地区分不同的域和类别, 表明时序特征具有较强的判别能力和适应能力.
为了定量地评估时序特征的质量, 本文还计算了时序特征的内部距离 (Intra-distance) 和外部距离 (Inter-
distance). 内部距离表示同一域同一类别的数据点之间的平均欧氏距离, 反映了时序特征的紧凑性; 外部距离表示
不同域不同类别的数据点之间的平均欧氏距离, 反映了时序特征的分离性. 理想的时序特征应该具有较小的内部
距离和较大的外部距离, 从而实现不同域和类别的数据点的有效区分. 本文将内部距离和外部距离的比值作为时
序特征的质量指标, 记为 Q, 其计算公式为:

Intra-distance
Q = (14)
Inter-distance
以 HHAR 数据集的手表的加速度计为例, 后文图 9 展示了本文提出的方法与 4 种基线方法 (LSTM、CALDA、
Transformer 和 TCN) 在时序特征质量指数 Q 上的对比结果. 为保证公平性, 所有方法采用相同的主要参数设置,
即输入维度为 3, 隐藏层维度为 128, 输出维度为 6. 实验结果表明, 本文方法在 6 个不同类别上的 Q 值均显著低
于 4 种基线方法. 这表明, 本文方法所提取的时序特征具有更高的质量, 更适合域适应分类任务.
3.4 域分类的性能评估
为了验证所提出方法的有效性, 我们在 3 个公开的数据集上进行了实验, 这些数据集都包含了由多个传感器
采集的人体活动数据, 它们具有不同的特点和复杂性. 我们将所提出的方法与几种基准方法进行了比较. 所有方法