[发明专利]一种基于无监督聚类和度量学习的迁移学习方法

摘要

本发明涉及一种基于无监督聚类和度量学习的迁移学习方法，先准备源域样本DS和目标域样本DT；再使用主成份分析方法降低全部样本的维度；然后对源域样本DS进行无监督聚类，将源域样本聚为多个类别；再为每个聚类学习一个度量矩阵G，通过每个聚类和所有的度量矩阵的关联性得出权重矩阵w0，并根据已知标签的目标域样本DTL训练权重矩阵w0，得到最优的权重矩阵W，最后根据权重矩阵W预测未知标签的目标域样本DTU的标签。本发明使用主成份分析方法来降低样本的维度，降低后续计算的复杂度。使用无监督聚类方法将样本聚为多个类别，更能够反应样本的本质特性。使用带标签的目标域样本来学习权重矩阵，更符合目标域样本的实际情况。

主权项

1.一种基于无监督聚类和度量学习的迁移学习方法，其特征在于,包括以下步骤：S1、准备源域样本DS和目标域样本DT；S2、使用主成份分析方法降低全部样本的维度；S3、对源域样本DS进行无监督聚类，将源域样本聚为多个类别，本质相似的样本聚在一起；S4、为每个聚类学习一个度量矩阵G；S5、通过每个聚类和所有的度量矩阵的关联性得出权重矩阵w0；S6、根据已知标签的目标域样本DTL训练权重矩阵w0，得到最优的权重矩阵W；S7、根据权重矩阵W预测未知标签的目标域样本DTU的标签。