软件学报

作者：孙杰，李贳宸，陈仲珊，王小正，郑豪，陈长伟，常合友

单位：孙杰，南京晓庄学院 信息工程学院, 江苏 南京 211171;南京邮电大学 计算机学院, 江苏 南京 210023;南京特殊教育师范学院 数学与信息科学学院, 江苏 南京 21003811,李贳宸，南京邮电大学 计算机学院, 江苏 南京 21002302,陈仲珊，南京特殊教育师范学院 数学与信息科学学院, 江苏 南京 21003803,王小正，南京晓庄学院 信息工程学院, 江苏 南京 21117104,郑豪，南京晓庄学院 信息工程学院, 江苏 南京 21117105,陈长伟，南京晓庄学院 信息工程学院, 江苏 南京 21117106,常合友，南京晓庄学院 信息工程学院, 江苏 南京 21117107

关键词：时序数据域自适应;时序模式激活模块;增强对抗范式

基金：国家自然科学基金 (62177028); 江苏省教育科学“十四五”重点课题 (B-b/2024/01/145); 江苏省高等教育学会重点课题 (2024CXJG029); 江苏省高等学校自然科学研究面上项目 (22KJD520005)

在时序数据分析领域, 跨域数据分布的偏移显著削弱了模型的泛化性能. 为此, 开发一种称为TPN的端到端时序数据域自适应框架. 该框架融合了时序模式激活模块(TPAM)与Transformer编码器. TPAM通过双层时空卷积操作捕捉序列特征的空间及时间依赖性, 结合Sigmoid和tanh激活函数对提取的特征进行非线性融合, 再经由线性投影恢复至原通道尺寸, 以此强化模型的时序特征提取能力. TPN还引入了增强对抗范式(EAP), 通过域分类损失和操作顺序预测损失, 增强生成器与判别器的协同对抗, 有效缩减源域与目标域间的数据分布差距, 提升模型的域适应性. 在Opportunity、WISDM及HHAR这3大公开人体活动识别数据集上的实证结果显示, TPN在准确率和F1值方面较现有方法最高提升了6%, 且参数量和运行时间较少. 深入的消融与可视化实验进一步验证了TPAM和EAP的有效性, 表明TPN在特征抽取与域对齐上具有良好表现.

来源：2026年第3期

《软件学报》期刊编辑部

查看软件学报杂志2026年第3期