Page 391 - 《软件学报》2026年第3期

1354 软件学报 2026 年第 37 卷第 3 期

0
1
100 2

0.044 3
2.5 4
0.042
0 50
−2.5 0.040
0 100 200 0 10 20 Dimension 2 0
(a) Time series for 0 (b) Attention weights for 0
2 −50
0.042
0 0.041
−100
−2 0.040
0 100 200 0 10 20
−100 −50 0 50 100
(c) Time series for 1 (d) Attention weights for 1
Dimension 1
2.5 (a) Our method
0.045
0
−2.5 0.040 40 0
1
0 100 200 0 10 20 30 2
3
(e) Time series for 2 (f) Attention weights for 2
20 4
5 0.05 10
Dimension 2 0
0 0.04
−5 0.03 −10
0 100 200 0 10 20
−20
(g) Time series for 3 (h) Attention weights for 3
−30
2 0.044
0 0.042 −40
−2 0.040 −40 −30 −20 −10 0 10 20 30 40
0 100 200 0 10 20 Dimension 1
(i) Time series for 4 (j) Attention weights for 4 (b) Baseline method
图 11 S1→S4 时 5 类高级活动样本的时序数据 图 12 实验 S1→S4 时两种方法的 t-SNE 对比
及注意力权重可视化
4 总结和未来工作

本文提出了一种基于时序建模和域校正的传感器数据域自适应方法. 该方法提出了时序模式激活模块 (TPAM)
和增强对抗范式 (EAP), TPAM 能够自动地从时序数据中提取出具有判别能力和适应能力的时序模式特征, 有效
地增强了时序建模网络的性能; EAP 能够利用域分类损失和操作顺序预测损失, 增强生成器和判别器的协同对抗
能力, 有效地减少了源域和目标域之间的数据分布偏移. 在 3 个公开的人体活动识别数据集上进行了广泛的实验,
验证了本文方法的有效性和优越性, 与其他对比方法相比, 本文方法在准确率和 F1 值上都得到了提升, 同时具有
较少的参数量和运行时间. 本文还通过消融实验和可视化实验, 分析了本文方法中的各个组成部分对最终结果的
影响, 展示了本文方法在特征提取和域对齐方面的效果.
本文的方法在时序数据域自适应方面取得了较好的结果, 但是仍然存在一些可以改进的地方. 未来研究的一
个重要方向是探索如何将 TPN 扩展应用于更复杂和异构的数据集. 不同数据集之间可能存在数据采集方式、传
感器类型、采样频率等方面的差异, 这会导致诸如域偏移和协变量偏移等问题, 从而给跨域对齐带来更大的挑战.
例如, 如何有效地对齐来自不同类型的传感器 (如加速度计、陀螺仪、心率计等) 的数据, 需要进一步研究多模态
学习和表征学习方法, 从而学习到更具判别性和鲁棒性的共享特征表示. 此外, 探索如何在异构数据集中有效地利
用迁移学习技术, 例如, 通过预训练和微调策略将知识从资源丰富的传感器数据迁移到数据稀缺的传感器数据, 也