Page 389 - 《软件学报》2026年第3期

1352 软件学报 2026 年第 37 卷第 3 期

表 4 Opportunity 结果比较 表 5 WISDM 实验结果比较

S1→S2 S1→S3 S1→S4 3→5 3→6 3→7
模型 模型
Accuracy F1 Accuracy F1 Accuracy F1 Accuracy F1 Accuracy F1 Accuracy F1
1D-CNN 0.65 0.64 0.66 0.65 0.87 0.87 1D-CNN 0.63 0.62 0.64 0.63 0.67 0.64
LSTM 0.69 0.70 0.71 0.69 0.88 0.85 LSTM 0.68 0.68 0.69 0.67 0.69 0.65
ADDA 0.74 0.73 0.77 0.74 0.90 0.88 ADDA 0.74 0.72 0.73 0.71 0.76 0.73
TCN 0.73 0.72 0.74 0.72 0.91 0.88 TCN 0.75 0.73 0.75 0.72 0.77 0.75
RAINCOAT 0.73 0.73 0.76 0.75 0.85 0.83 RAINCOAT 0.78 0.76 0.76 0.75 0.78 0.74
DANN 0.78 0.76 0.80 0.78 0.91 0.89 DANN 0.79 0.76 0.78 0.76 0.79 0.78
MCD 0.80 0.78 0.81 0.78 0.92 0.90 MCD 0.82 0.79 0.81 0.78 0.80 0.78
CALDA 0.77 0.76 0.78 0.75 0.92 0.89 CALDA 0.81 0.79 0.79 0.77 0.82 0.81
MDLR 0.81 0.79 0.84 0.82 0.93 0.90 MDLR 0.83 0.81 0.85 0.83 0.83 0.80
TPN (ours) 0.85 0.84 0.86 0.85 0.98 0.97 TPN (ours) 0.86 0.83 0.87 0.85 0.88 0.87
注: 粗体表示最优值 注: 粗体表示最优值

表 6 HHAR 实验结果比较 表 7 人工合成数据集实验结果比较

a→b a→c a→d a→b a→c a→d
模型 模型
Accuracy F1 Accuracy F1 Accuracy F1 Accuracy F1 Accuracy F1 Accuracy F1
1D-CNN 0.71 0.69 0.76 0.75 0.73 0.73 1D-CNN 0.68 0.65 0.73 0.70 0.70 0.69
LSTM 0.71 0.70 0.74 0.73 0.78 0.75 LSTM 0.68 0.66 0.72 0.71 0.75 0.72
ADDA 0.73 0.72 0.76 0.74 0.80 0.78 ADDA 0.70 0.69 0.73 0.72 0.76 0.74
TCN 0.75 0.74 0.77 0.73 0.79 0.78 TCN 0.72 0.71 0.74 0.71 0.77 0.75
RAINCOAT 0.83 0.80 0.86 0.85 0.84 0.83 RAINCOAT 0.80 0.76 0.83 0.80 0.82 0.80
DANN 0.82 0.79 0.86 0.84 0.87 0.85 DANN 0.79 0.75 0.82 0.80 0.83 0.81
MCD 0.84 0.81 0.87 0.85 0.88 0.86 MCD 0.81 0.78 0.84 0.82 0.85 0.83
CALDA 0.83 0.83 0.87 0.85 0.89 0.86 CALDA 0.80 0.78 0.84 0.82 0.85 0.82
MDLR 0.84 0.82 0.88 0.84 0.91 0.89 MDLR 0.81 0.79 0.85 0.81 0.88 0.85
TPN (ours) 0.87 0.85 0.88 0.87 0.93 0.91 TPN (ours) 0.84 0.82 0.86 0.83 0.90 0.87
注: 粗体表示最优值 注: 粗体表示最优值
为了全面评估和说明本文方法与其他 9 个实现之间的差异, 我们在图 10 中显示了基于准确性的临界差异
(critical difference, CD) 图. CD 图用于比较多个分类器的性能并展示它们之间的统计显著性差异. 我们从 3 个不同
的数据表 (表 4–表 6) 中提取每个分类器的准确率数据, 并计算了各分类器在所有实验设置中的平均准确率作为
比较依据. 在图 10 中, 10 个分类器按照平均排名从低到高进行了排序, 其中, 指示水平线表示一组实现没有显著
差异. 结果显示, 在我们的实验设置下, TPN 的平均排名最小, 这表明它在所测试的数据集上整体表现最佳. CD 图
清晰地展示了各方法之间的临界差异区间, 提供了不同方法性能的直观比较以及统计显著性差异的可视化.

Accuracy
10 9 8 7 6 5 4 3 2 1

CNN 9.500 0 1.055 6 TPN (ours)
LSTM 9.444 4 2.000 0 MDLR
TCN 7.444 4 3.277 8 MCD
ADDA 7.166 7 4.333 3 CALDA
RAINCOAT 5.777 8 5.000 0 DANN
图 10 10 个分类算法 CD 图, 置信度为 95%

3.5 参数敏感性实验
为了探究 TPN 模型的参数设置对模型性能和效率的影响, 本文随机选择了如下两个数据集, 进行了不同参数
设置下的对比实验, 结果如表 8 和表 9 所示. 表 8 和表 9 中的指标分别表示模型的准确率 (Accuracy)、F1 值 (F1)、
参数量 (Params) 和运行时间 (Time).