Page 388 - 《软件学报》2026年第3期

孙杰 等: 时序数据域自适应的时空卷积与对抗互学习 1351

都采用了 6 层的堆叠结构, 隐藏层维度为 512, 模型的输出与输入一致, 最后连接到一个多层感知器 (MLP) 进行分
类. 参与比较的基准方法如下.

0.90 LSTM
CALDA
Transformer
0.8 TCN
Ours
0.61
0.6 0.53 0.52
质量指数 Q 0.42 0.31 0.41 0.44 0.40 0.39 0.50
0.43
0.4
0.17 0.12 0.27 0.28 0.30 0.24
0.31
0.30
0.27
0.25 0.25
0.23
0.2
0.09
0.02 0.03 0.04 0.03 0.01
0
Bike Sitting Downstairs Upstairs Standing Walking
图 9 HHAR 数据集加速度计的时序特征质量指数 Q 的对比结果

[32]
1) 1D-CNN : 一个基于卷积神经网络的模型, 它使用一维卷积层和池化层来提取时序数据的特征. 本文采用
文献 [32] 一样的 CNN 网络架构.
2) RAINCOAT [29] : 通过同时考虑时间和频率特性、跨域对齐和校正错位来解决特征和标签偏移问题.
3) LSTM [16] : 一个基于长短期记忆网络的模型, 它使用循环神经网络来建模时序数据的长期依赖关系.
4) TCN [33] : 一个基于时空卷积网络的模型, 它使用多层时空卷积层来捕捉时序数据的时域和频域特征.
5) ADDA [34] : 一种通过结合判别建模、无限制权重共享和 GAN 损失, 简单且有效的对抗性域适应通用框架.
6) DANN [35] : 一种域适应的表示学习方法, 通过在神经网络中引入梯度反转层, 使特征既能区分源域任务, 又
对域转换不敏感, 从而实现有效的域适应.
7) MCD [36] : 一种无监督域适应的方法, 通过最大化两个分类器输出的差异来检测远离源域支持的目标样本,
并利用特定任务的决策边界对齐源和目标的分布, 从而提升域适应性能.
[6]
8) CALDA : 利用对抗学习来调整源和目标特征表征, 不需要数据增强和伪标签, 通过对比学习重塑了特征空间.
9) MDLR [20] : 一个基于对抗神经网络的模型, 它使用一个对抗判别器来减少源域和目标域之间的分布差异.
我们使用了两种评价指标来衡量模型的性能, 分别是准确率 (Accuracy) 和 F1 值 (F1). 准确率表示模型正确分
类的样本数占总样本数的比例, F1 值表示模型的精确率 (Precision) 和召回率 (Recall) 的调和平均值.
表 4 给出了 Opportunity 数据集的实验结果. 从表 4 可以看出, 本文方法在 Opportunity 数据集上取得了最优
的结果, 显著优于其他对比方法. 与传统方法 (如 1D-CNN 和 LSTM) 相比, TPN 在所有实验场景中都表现出明显
的优势, 这说明了深度迁移学习在跨域人体活动识别任务中的重要性. 同时, 相比于近期提出的域自适应方法 (如
MCD、CALDA 和 MDLR), TPN 仍然保持了稳定的领先优势, 这进一步证实了本文提出的时序原型网络在捕捉时
序特征和对齐域分布方面的创新性和有效性. 特别地, 在实验 S1→S3 和 S1→S4 中, 本文方法的准确率和 F1 值相
比其他方法平均提高了 3–4 个百分点. 这一提升不仅体现了 TPN 在处理复杂人体活动识别任务时的鲁棒性和泛
化能力, 还凸显了其在应对不同域之间较大分布差异时的优越性.
表 5 和表 6 分别展示了我们在 WISDM 和 HHAR 数据集上的实验结果, 本文提出的 TPN 方法的实验结果仍
然优于其他方法, 这进一步证实了我们方法的稳健性和适用性.
在表 7 中, 我们展示了在人工合成数据集上的实验结果, 可以看到, 人工合成数据集上的结果普遍低于真实数
据集上的结果. 我们认为, 生成的数据在某些细节和复杂性上无法完全模拟真实数据的多样性, 此外, 人工合成数
据的噪声和扰动可能与实际环境中的噪声特征存在差异. 然而, 表 7 的结果依然证明了 TPN 在处理具有一定噪声
和数据分布偏移的时序数据上的有效性.