[发明专利]基于改进的核极限学习机和GAN的自适应学习方法

权利要求书

1.基于改进的核极限学习机和GAN的自适应学习方法，其特征在于首先基于改进的核极限学习机利用源域数据预训练一个分类器C，然后根据传统极限学习机得到源域和目标域特征映射，最后结合GAN的自适应学习最小化源域映射和目标域特征映射距离使得源分类模型C可以直接应用于目标映射，从而消除学习单独的目标分类器的需要，至少还包括以下步骤，

步骤一、基于改进的核极限学习机利用源域数据预训练一个分类器C：

1)构建核矩阵Ω_ELM，

2)用共轭梯度法在方程Ω_ELMβ_KELM＝T上计算输出权重β_KELM；

步骤二、根据传统极限学习机得到源域和目标域特征映射：

1)随机生成输入权值w_i和b_i，

2)得到源域S极限学习机隐含层映射H(X_s)，

3)得到目标域T极限学习机隐含层映射H(X_T)；

步骤三、结合GAN的自适应学习最小化源域映射和目标域特征映射距离使得源分类模型C可以直接应用于目标映射，从而消除学习单独的目标分类器的需要：

1)固定源域映射H(X_s)，

2)源域映射H(X_s)和目标域数据映射H(X_T)与判别器D进行对抗训练，得到最优化的鉴别器D和H(X_T)，

3)使用训练好的目标域映射和共轭梯度算法的线性KELM对目标域数据进分类。

2.根据权利要求1所述的基于改进的核极限学习机和GAN的自适应学习方法，其特征在于基于改进的核极限学习机利用源域数据预训练一个分类器C，至少还包括以下步骤，

已知源域数据集合X_S＝[x₁,x₂…,x_n]∈Rⁿ和标签t_S

步骤一、构建核矩阵Ω_ELM：

1)采用线性核函数:

K(u,v)＝u·v (1)

2)利用Mercer’s条件构造核矩阵替代HH^T：

所以Ω_ELM＝X_SX_S^T，其中X_S＝[x₁,x₂…,x_n]；

步骤二、用共轭梯度法在方程Ω_ELMβ_KELM＝T上计算输出权重β_KELM：

共轭梯度法是求解正定系数矩阵线性方程组(式(3))的一种迭代方法，而求解方程组(3)可以看成是求二次函数(式(4))的极小点，可以用共轭梯度法来求；共轭梯度法的基本思想是取当前点的负梯度方向和前面搜索方向进行共轭化，从而产生当前点的搜索方向，

A·x＝b (3)

算法描述如下：

第1步 输入数据A、b,置初始值x⁽⁰⁾＝0，r⁽⁰⁾＝b-Ax⁽⁰⁾，d⁽⁰⁾＝r⁽⁰⁾，精度要求ε和迭代次数k＝0，

第2步 计算r^(k+1)＝r^(k)-α_kAd^(k)，

第3步 若‖x^(k+1)-x^(k)‖<ε或k＝n-1，则停止计算(x^(k+1)作为方程组的解)；否则，计算

d^(k+1)＝r^(k+1)+θ_k+1d^(k)

第4步 置k＝k+1，转第2步；

因为共轭梯度法针对的是正定系数矩阵，而本方法采用线性核函数来构建的核矩阵Ω_ELM＝X_SX_S^T是实对称矩阵，即为正定系数矩阵，从而输出权值公式改为：

β_KELM＝(Ω_ELM)^-1T (5)

即：Ω_ELMβ_KELM＝T(6)

采用共轭梯度法来求解式(6)，计算输出权重β_KELM。