[发明专利]一种分类器模型迁移学习方法

权利要求书

1.一种分类器模型迁移学习方法，其特征在于，包括以下步骤：

S1：在原始传感器阵列生命周期末期插入新传感器阵列，并开始采集所述原始传感器阵列及所述新传感器阵列的响应信号；

S2：通过所述原始传感器阵列的分类模型信息，预测所述新传感器阵列的类别信息，将所述类别信息称为新传感器阵列的伪label；

S3：对所述新传感器阵列的响应信号进行特征提取，与所述伪label共同组成训练集，训练得到所述新传感器阵列的分类器模型；

S4：对所述步骤S3获取的所述分类器模型参数逐层调整进行优化；

设定所述原始传感器阵列的分类器模型为一个三层的BP神经网络，在两组传感器阵列的共存周期内，提取所述原始分类器模型的网络参数，即权值矩阵Weight和阈值矩阵Bias，所述原始传感器阵列采集得到数据集的特征向量作为输入向量X，计算得到隐含层输出为：

输出层输出为：

O＝f²(H^T·Weight₂+Bias₂)；

其中，Weight₁和Bias₁为输入层和隐含层之间的权值矩阵和阈值矩阵，Weight₂和Bias₂为隐含层和输出层之间的权值矩阵和阈值矩阵；f¹为隐含层神经元的激励函数，f²为输出层神经元的激励函数；

设定新分类器模型的网络结构与原始分类器模型完全相同，提取原始分类器模型隐含层未经激励前的输入信息Bias₁表示成Weight₀，X₀＝1的形式；对于所述新传感器阵列采集得到数据集的特征向量作为新输入向量X_new，由于共存周期下，两组传感器阵列所感知的气体信息相同，即除输入样本不同外，隐层及输出层输出都应逼近相同的类别结果，据此可建立超定方程组：

X_new·W₁＝sum₁；

获取含偏置项的第一层权重向量W₁，接着，计算隐含层新输出H_new＝f¹(X_new·W₁)，提取原始分类器模型输出层未经激励前的输入信息sum₂＝H^T·Weight₂+Bias₂，建立超定方程组：

H_new·W₂＝sum₂；

得到含偏置项的第二层权重向量W₂；将所得的权重参数搭建得到优化后的新分类器模型。