[发明专利]一种基于熵最小化的深度迁移学习系统及方法在审
| 申请号： | 201910623578.5 | 申请日： | 2019-07-11 |
| 公开（公告）号： | CN110580496A | 公开（公告）日： | 2019-12-17 |
| 发明（设计）人： | 吴晓富;程磊;张索非;颜俊 | 申请（专利权）人： | 南京邮电大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 32102 南京苏科专利代理有限责任公司 | 代理人： | 陈栋智 |
| 地址： | 210012 江苏*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提出了一种基于熵最小化的深度迁移学习方法，步骤S1）根据不同的迁移学习任务，划分源领域和目标领域，并构建迁移学习网络、初始化迁移学习网络超参数；步骤S2）将源领域和目标领域各自数据样本输入至迁移学习网络并正向传播，获取网络预测标签；根据提出的损失函数，使用随机梯度下降法进行整个网络的训练，利用反向传播完成网络参数的更新，直至模型收敛或达到最大迭代次数时停止训练；步骤S3）保存网络模型以及训练结果，将目标领域无标注的样本引入该网络模型，得到较为准确的目标领域标签，本发明通过最大化目标领域每个批次数据预测类别分布多样性，避免了仅使用熵最小化技术时出现的平凡解结果，保证了迁移学习的可靠性。 | ||
| 搜索关键词： | 目标领域 迁移 学习 网络模型 源领域 最小化 标签 随机梯度下降法 网络 反向传播 批次数据 数据样本 损失函数 网络参数 网络预测 训练结果 整个网络 正向传播 初始化 最大化 迭代 构建 标注 收敛 样本 多样性 保存 引入 预测 更新 保证 | ||
【主权项】：
1.一种基于熵最小化的深度迁移学习方法，其特征在于，包括以下步骤：/n步骤S1)根据不同的迁移学习任务，划分源领域和目标领域，并构建迁移学习网络、初始化迁移学习网络超参数；/n步骤S2)将源领域和目标领域各自数据样本输入至迁移学习网络并正向传播，获取网络预测标签；根据提出的损失函数，使用随机梯度下降法进行整个网络的训练，利用反向传播完成网络参数的更新，直至模型收敛或达到最大迭代次数时停止训练；/n步骤S3)保存网络模型以及训练结果，将目标领域无标注的样本引入该网络模型，得到较为准确的目标领域标签。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于南京邮电大学，未经南京邮电大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910623578.5/，转载请声明来源钻瓜专利网。
