[发明专利]基于迁移学习的高斯混合模型数据聚类方法

权利要求书

1.一种基于迁移学习的高斯混合模型数据聚类方法，其特征在于，包括如下步骤：

a)计算机读入需要进行聚类的数据，将读入的数据组成的集合标记为目标域T，计算机分析目标域T中数据的个数N以及数据的维度D；

b)计算机读入一个数据类型与目标域T相同的数据集合，将数据集合标记为源域S，源域S中的数据的维度与目标域T的数据维度D相同；

c)使用GMM聚类算法对源域S的数据进行聚类，用户输入GMM算法中的组件的个数K^S，用户选择参数初始化方法将GMM算法中的正则化系数γ设置为0.01，将GMM算法中的停止阈值δ设置为10^-6；

d)计算机记录GMM算法中对源域S的数据聚类结果，得到源域S的类均值，用表示为源域S中第k个组件的类均值，k＝1,2,...,K^S，得到源域S的类协方差矩阵，用表示源域S中第k个组件的类协方差均值，k＝1,2,...,K^S；

e)计算机使用源域S中的类均值与类协方差均值采用基于迁移学习的GMM聚类算法对目标域T中的数据进行聚类；

f)根据基于迁移学习的GMM聚类算法得到目标域T中的每个数据点的后验概率，用其后验概率的最大值所在的组件作为该数据点的类标签，从而得到目标域T中的数据聚类结果。

2.根据权利要求1所述的基于迁移学习的高斯混合模型数据聚类方法，其特征在于：步骤c)中的参数初始化方法为随机初始化、K-means初始化与C均值初始化。

3.根据权利要求1所述的基于迁移学习的高斯混合模型数据聚类方法，其特征在于，步骤e)中基于迁移学习的GMM聚类算法包括如下步骤：

e-1)将基于迁移学习的GMM聚类算法中的组件个数K^T设置为K^T＝K^S，用户输入基于迁移学习的GMM算法中的学习率λ，0.1≤λ≤5，将基于迁移学习的GMM算法中的迭代计数器t设置为t＝0；

e-2)通过用户选择的初始化方法得到目标域T中每一个数据点的初始类标签，记第k个组件所含数据点的个数为N_k，通过公式计算得到初始化基于迁移学习的GMM聚类算法中的混合比例π_k，通过公式对每一类数据计算类均值μ_k，通过公式计算协方差矩阵Σ_k，完成对基于迁移学习的GMM聚类算法参数的初始化，式中x_i为目标域T中的第i个数据点，k＝1,2,...,K^T；

e-3)通过t+1使基于迁移学习的高斯混合模型聚类算法的迭代计数器t加1；

e-4)通过公式计算目标域T中第i个数据点x_i属于第k个组件的后验概率γ_ki，式中其为目标域T中第i个数据点x_i属于第k个组件的概率分布，π_k为第k个组件的混合比例，i＝1,2,...,N，k＝1,2,...,K^T；

e-5)通过公式计算更新目标域T中的第k个组件的混合比例π_k，式中k＝1,2,...,K^T；

e-6)通过公式计算更新目标域T中的第k个组件的类均值μ_k，式中k＝1,2,...,K^T；

e-7)通过公式计算更新目标域T中的第k个组件的协方差矩阵Σ_k，式中k＝1,2,...,K^T；

e-8)通过公式

计算第t次迭代得到的目标函数J^(t)；

e-9)计算基于迁移学习的GMM聚类算法第t次迭代得到的目标函数J^(t)与第t-1次迭代得到的目标函数J^(t-1)之差，若||J^(t)-J^(t-1)||≥δ，则返回执行步骤e-3)，如果||J^(t)-J^(t-1)||＜δ，则执行步骤f)。