[发明专利]基于鉴别流形的跨数据域的转移学习分类方法

权利要求书

1.一种基于鉴别流形的跨数据域的转移学习分类方法，其特征在于，包括以下步骤：

S10，输入各个数据域的数据和用于训练的标签数据，对数据建立用于谱图几何调节的邻接图；

S20，对所述输入的数据、标签信息和建立的邻接图，将跨数据域的联合矩阵分解模型、鉴别回归模型、跨数据域的距离调节、流形几何调节等优化目标结合，建立统一的数学模型；

S30，根据所述建立的数学模型，推导变量的更新公式，以交替迭代的方式更新各个数据域的各个维度的隐藏因子，域间共享的关系结构，以及回归系数，直到收敛为止；

S40，利用得到的参数，对目标域的数据进行类属标签预测，得到对目标域数据预测的类属标签。

2.根据权利要求1所述的基于鉴别流形的跨数据域的转移学习分类方法，其特征在于，S10中具体包括以下步骤：

S101，输入辅助数据域和目标数据域的训练样本数据，包括辅助数据域的标签数据以及对应的标签信息矩阵以及目标域的数据当目标域有少量的标签数据时，输入标签指示信息P_t矩阵来指明目标域哪些数据是有标签的，并且同时输入目标域数据的标签信息用集合表示不同数据域的下标，当指的数据域为时，它所对应的另外一个数据域记为

S102，利用输入的数据分别构建辅助域的数据维度的邻接图和特征维度的邻接图邻接图的点之间的边权重分别如下：

图

图

其中N_p(x)表示数据x的p领域，取p＝5，

构建目标域的数据维度邻接图和特征维度邻接图，邻接图的点之间的边权重分别如下：

图

图

其中N_p(x)表示数据x的p领域，取p＝5。

3.根据权利要求1所述的基于鉴别流形的跨数据域的转移学习分类方法，其特征在于，S20中具体包括以下步骤：

S201，建立跨数据域的联合矩阵分解模型：

矩阵分解模型将目标数据域和辅助数据域的数据同时分解到低维的数据表达中去，并且保留了两个数据域间共同的知识结构，其中，表示π数据域的特征的低维聚类结构，k_m是特征维度的聚类个数；表示π数据域的数据低维聚类结构，同时也是数据的低维隐藏表示因子，k_n是数据的聚类个数；表示π数据域里特征类和数据类之间的关系结构，而且目标数据域和辅助数据域共享这一稳定的关系结构；

S202，融合鉴别回归模型，对数据的低维隐藏表示因子进行监督性约束：

其中是作用在数据隐藏因子上的回归系数，标签指示信息P_t矩阵是一个对角矩阵，表示π数据域里的第i个元素用于监督的回归鉴别约束，否则Piiπ=0;]]>

S203，减小目标数据域和辅助数据域间的差异，引入最大均值差异Maximum Mean Discrepancy，MMD距离的调节；

数据维度上的域间差异距离定义如下：

特征维度上的域间差异距离定义如下：

为了降低目标数据域和辅助数据域间的差异，期望得到的数据隐藏表示因子和特征低维聚类结构表示因子，能使各自维度上的域间差异距离能够尽可能的小，从而将这两个距离函数作为最小化目标调节因子融合到上一步S202得到的模型中去，并且得到：

S204，保持数据的低维流形结构，根据谱图几何理论，利用步骤S102中得到的辅助域的数据维度的邻接图，建立度量数据映射函数在低维流形空间沿测地线的光滑性的测度：

其中，

利用步骤S102中得到的辅助域的特征维度的邻接图，建立度量数据特征映射函数在低维流形空间沿测地线的光滑性的测度：

其中，Dsu=diag(Σi(Wsu)ij)]]>

类似地，利用步骤S102中得到的目标域的数据维度的邻接图，在目标域在数据维度上，建立度量数据映射函数在低维流形空间沿测地线的光滑性的测度：

其中，Dtv=diag(Σi(Wtv)ij)]]>

利用步骤S102中得到的目标域的特征维度的邻接图，在特征维度上，建立度量数据特征映射函数在低维流形空间沿测地线的光滑性的测度：

其中，Dtu=diag(Σi(Wtu)ij)]]>

S205：建立基于鉴别流形的跨数据域的转移学习分类模型如下：

s.t.V_s，V_t，U_s，U_t，H≥0