[发明专利]一种基于流行距离核的迁移谱聚处理方法

权利要求书

1.一种基于流行距离核的迁移谱聚处理方法，其特征在于，所述方法包括如下处理步骤：

步骤1 从源域中选取目标域的可参照样本：

步骤1.1对输入目标域数据集和源域数据集，使用第K近邻机制，从源域挑选出目标域任一个样本的一可参照样本，选取方法采用网格搜索法，形成新的可参照样本集；

步骤2 计算源域数据的加权局部密度自适应的流行距离核的相似度矩阵：

步骤2.1通过迪杰特斯拉算法对源域任意两点数据和之进行最短路径选择，并计算最短路径和；

步骤2.2计算源域数据集参数，其中，；

步骤2.3计算，该项可以对相似度矩阵准确性进行调整；SNN为共享近邻的个数，当两个点的共享最近邻的点的个数多，则值大，当共享近邻点的个数少时，的值小；当共享近邻数为0时，，即对相似性不做调整；

步骤2.4计算源域的相似度矩阵相似度矩阵；

步骤3. 源域数据的新的特征矩阵:

步骤3.1计算源域数据的拉普拉斯矩阵，其中对角元素为：，

构造对角矩阵：,构造拉普拉斯矩阵：,拉普拉斯矩阵标准化：

；

步骤3.2 对进行特征分解取前k个最小特征值对应的特征向量，并标准化得源域数据的新的特征矩阵；

步骤4 计算目标域数据的加权局部密度自适应的流行距离核的相似度矩阵：

步骤4.1通过迪杰特斯拉算法对源域任意两点数据和之进行最短路径选择，并计算最短路径和；

步骤4.2计算源域数据集参数，其中，；

步骤4.3计算，该项可以对相似度矩阵准确性进行调整；SNN为共享近邻的个数，当两个点的共享最近邻的点的个数多，则值大，当共享近邻点的个数少时，的值小；当共享近邻数为0时，，即对相似性不做调整；

步骤4.4计算目标域的相似度矩阵相似度矩阵：

；

步骤5计算目标域的拉普拉斯矩阵，其中对角元素为：，

构造对角矩阵：,构造拉普拉斯矩阵：,拉普拉斯矩阵标准化：

；

步骤6计算拉普拉斯，对拉普拉斯矩阵进行特征分解，取前k个最小特征值组成新的特征矩阵；

步骤9将的每一行看成是空间内的一点，使用模糊c均值算法（FCM）或其它聚类算法将其聚为c类。