[发明专利]基于加权分布对齐和几何特征对齐的无监督跨领域自适应数据标定方法及系统

权利要求书

1.一种基于加权分布对齐和几何特征对齐的无监督跨领域自适应数据标定方法，其特征在于，所述方法的实现过程为：

所述方法的输入：X_s，X_t，X_s表示源领域样本，已知标签样本；X_t表示目标领域样本，待标记样本；表示源领域样本标签；

参数：

α＝1为待标记样本方差最大化的重要性程度评估，

λ＝1为广义特征变换内部差异的重要性程度评，

β为类间方差最大化重要性程度评估，

μ∈[0，1]为评估领域内边际分布和条件分布重要性参数，

δ∈[0，1]为图拉普拉斯正则化项系数，

p为样本的最近邻个数，

k为子空间个数，T为迭代次数；

所述方法的输出为：

变换矩阵Φ，Ψ；X_s经过变换矩阵Φ得到的Z_s，X_t经过变换矩阵Ψ得到的Z_t；适应分类器：f；

步骤1、计算目标域散度矩阵S_t、数据的类间散度矩阵S_b、类内散度矩阵S_w，

M′_s，M′_t，M′_st，M′_ts为源领域样本和目标领域样本的边际概率分布与条件概率分布的加权和与其对应的加权拉普拉斯正则化项之和；

M′_s，M′_t，M′_st，M′_ts是一个矩阵中的四个分块；

M′_s表示源领域样本的边际概率分布与条件概率分布的加权和与其对应的加权拉普拉斯正则化项之和；

M′_t表示目标领域样本的边际概率分布与条件概率分布的加权和与其对应的加权拉普拉斯正则化项之和；

M′_st表示源领域样本、目标领域样本的边际概率分布与条件概率分布的加权和与其对应的加权拉普拉斯正则化项之和；

M′_ts表示目标领域样本、源领域样本的边际概率分布与条件概率分布的加权和与其对应的加权拉普拉斯正则化项之和；

用在源领域中训练的分类器来初始化目标领域的伪标签

步骤2：重复步骤3至步骤6；

步骤3：求解广义特征值问题并且相应的k个特征向量，以及前k个特征值作为广义特征变换U的特征值，接下来得到源域数据样本变换矩阵Φ，目标域数据样本变换矩阵Ψ；

步骤4：将原始数据映射到相应的子空间得到嵌入：

步骤5：在上训练一个分类器来更新目标域的伪标签

步骤6：更新M′_s，M′_t，M′_st，M′_ts；

步骤7：直至收敛；

步骤8：得到最终在上的分类器f。