[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

摘要

本发明提出了一种基于改进的核极限学习机和GAN的自适应学习方法，属于域自适应技术领域。其首先通过基于改进的核极限学习机预训练一个分类器C，然后根据传统极限学习机得到源域和目标域特征映射，结合GAN自适应学习以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，能对来自不同领域没有标注的数据进行分类，从而消除学习单独的目标分类器的需要，提高了分类器的复用性，有效增强模型对新环境的适应性，并且还解决了现有KELM中逆矩阵不存在的情况下无法求解β值的问题，同时因无需调整惩罚系数C，进一步减少了优化网络的时间。

主权项

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。