1.减少配电终端误告警的多源异构安全监测数据聚合方法，其特征在于，所述方法的步骤为：S1、构建异构特征的映射神经网络；

S2、构建对抗性领域自适应网络模型：将所述映射神经网络作为特征提取器输出特征，领域判别器分为全局领域判别器及局部领域判别器，将输出特征分别传入全局领域判别器及局部领域判别器，以分别对齐边缘概率分布和条件概率分布，最后将特征提取器输出的特征传入标签分类器进行训练，得到标签输出；

S3、设计权重参数，将类级权重加权到局部领域判别器，并将域间权重加权到标签分类器和领域判别器，最后综合各个部分的损失函数，得到最终的目标函数。

2.根据权利要求1所述的减少配电终端误告警的多源异构安全监测数据聚合方法，其特征在于，S1中，所述映射神经网络由两层映射组合而成，首先将多个源域中标签已知的数据样本和目标域中标签未知的数据样本分别用对应的第一层映射函数对源域和目标域的特定特征建模，以屏蔽数据的异构性；然后分别用对应的第二层映射函数对源域和目标域间的联系建模，将源域和目标域映射到共享的特征子空间。

3.根据权利要求2所述的减少配电终端误告警的多源异构安全监测数据聚合方法，其特征在于，S1中，构建异构特征的映射神经网络的具体步骤为：S11、获取已知 个数据领域为源域，第 个源域表示为 ，源域中包含 个含标签 的样本 ，未知数据领域为目标域 ，目标域中包含 个含标签 或不含标签的样本 ；

S12、分别将输入的 个源域的 个样本 以及目标域的 个样本 通过 个双层组合映射神经网络 与 映射到共享的 维子空间，其中， 和 分别是源域的映射神经网络和目标域的映射神经网络，和 分别是源域和目标域的特征空间， 是源域和目标域映射到的共享子空间。

4.根据权利要求3所述的减少配电终端误告警的多源异构安全监测数据聚合方法，其特征在于，S2中，构建对抗性领域自适应网络模型的具体步骤为：S21、将异构特征映射神经网络作为对抗性领域适应网络模型的特征提取器 ，使用

1‑范数约束第二层映射中源域和目标域参数的不平衡性，特征提取器的损失函数为： (1)

式中， 为源域的数量， 为第 个源域的第二层映射函数， 表示目标域的第二层映射函数；

S22、将特征提取器 输出的特征传入领域判别器 ，将领域判别器 细化为全局领域判别器 和 个局部领域判别器 ，以分别对齐边缘概率分布和条件概率分布，损失函数为： (2)

 (3)

式中， 为第 个源域的样本数， 为目标域的样本数， 为源域和目标域的类别数，为第 个类别， 为全局领域判别器的交叉熵损失， 为第 个局部领域判别器的交叉熵损失， 为输入的源域和目标域样本， 为领域判别器输出的样本领域标签，源域表示为0，目标域表示为1， 为输入样本 属于第 类的标签 的预测概率分布； 为全局领域判别器的损失函数， 为局部领域判别器的损失函数；

S23、将特征提取器 输出的特征传入标签分类器 ，得到标签输出，损失函数为交叉熵损失，标签分类器的损失函数表示为： (4)

式中， 为输入源域和目标域样本， 为标签分类器输出的样本类别标签。

5.根据权利要求4所述的减少配电终端误告警的多源异构安全监测数据聚合方法，其特征在于，S3中，设计权重参数，得到最终目标函数的具体步骤为：S31、为减小多源域无关标签对目标域分类造成的影响，最大程度匹配共享类别空间中的数据分布，引入类级权重参数 ： (5)

S32、为衡量第 个源域对目标域产生的贡献，加权范围与域间相似度相关，并且不会大量丢失特征，引入域间权重参数 ： (6)

(7)

式中， 和 分别为目标域和源域中属于类别 的样本 ， 和 分别为目标域和源域中属于类别 的样本 的总个数； 表示第 个源域和目标域之间的分布差异；

表示第 个源域和目标域之间的分布差异；

S33、结合公式(1)到公式(7)，得到最终的目标函数： (8)

式中， 为特征提取器损失和领域判别器损失的权重参数。