多域协同图网络

非平稳时序分类更稳

多域表示与自适应图结构结合，提升非平稳时序分类的准确性与鲁棒性。

张锐 · Chen, Zhang · 孙超利 · 福流环 · 80839683

Knowledge-Based Systems 2026

参数信息

分类准确率（轴承故障数据集）: 98.26 %
分类准确率（EEG 数据集）: 65.66 %

技术优势

多域信息互补

将信号映射到时频域、演化域和相位域三个互补空间，并通过对齐和融合高效整合，捕捉非平稳信号的多物理特性。

自适应图结构

结合静态拓扑先验与样本特定动态相关性构建自适应变量图结构，能跟踪变量间拓扑依赖的动态演化。

分布偏移下更稳健

通过分层一致性对比学习，在层内和层间施加约束，稳定语义表示，提升分布偏移下的判别性能。

应用场景

旋转机械故障诊断：用多域表征和自适应图捕捉故障特征，替代人工特征提取。
脑电信号分析：对非平稳脑电信号分类，辅助识别认知状态或疾病类型。
传感器时序数据分析：处理多传感器同步时序，提取跨变量动态依赖用于识别。
非平稳过程监控：在分布偏移下保持稳定分类，适合在线过程监控。