基于沃瑟斯坦距离的深度对抗迁移学习的智能故障诊断

总体流程图

迁移学习

内容主体是迁移学习，迁移学习的适用环境是

目标任务领域的数据（或者说有标注的数据）不足，不能支撑模型从零开始训练到收敛的状态；同时，在类似的领域上，有一个已有大量数据的，训练完备的模型；这时就可以利用已有的模型，对现有的问题解决，提供一定的帮助

总结一下，迁移学习需要两个前提

1.源领域的样本足够多，足够大

2.源领域和目标领域的样本足够相似（这里的相似需要独特的解释）

本文中对于相似的理解是，两个领域的特征领域一致，特征分布一致，就称两个领域相似

迁移学习的好处是，利用已有的模型，对于新的需要解决的类似的问题提供帮助

节省时间：模型不用从头开始训练，计算量少，收敛速度快

节省数据：模型是迁移过来的，不需要目标领域太多的数据，解决了数据荒的问题

缺点主要是不一定能找到符合特定“相似”条件的源领域模型，即使找到