自适应AI模型

漏报率降至1.4%

通过无标签数据微调预训练模型，在不同传感器域中实现低误报和漏报的信号识别。

Zhang, Shixiong · 李皓 · Fan, Cunzheng · Zhichao, Zeng · Chao, Xiong · Jie, Wu · 闫志君 · 刘德明 · 76706030

Opto-Electronic Advances 2024

参数信息

误报率 (目标域1)

4.3 %

误报率 (目标域2)

0 %

漏报率 (目标域1)

1.4 %

漏报率 (目标域2)

2.7 %

技术优势

显著降低误报率

在目标域1现场测试中，误报率仅为4.3%，远低于传统方案因域差异导致的较高误报水平。

有效避免漏报

在目标域1现场测试中，漏报率仅为1.4%，意味着对真实入侵信号的高检测率。

无需人工标注数据

只需利用每个目标域中的无标签数据即可微调预训练模型，省去了繁琐且昂贵的数据标注过程。

应用场景

• 分布式光纤传感：提供跨不同光纤传感域的自适应信号识别模型，降低域差异导致的误报漏报。
• 安防监测：用于入侵检测，显著降低误报率，提高报警可靠性。
• 结构健康监测：用于结构状态监测，减少因传感器差异导致的误判。
• 工业设备监测：用于工业设备信号识别，适应不同工况下的数据分布。