[发明专利]基于在线和离线决策集成学习的在线异构迁移学习的方法在审
| 申请号： | 201910820027.8 | 申请日： | 2019-08-31 |
| 公开（公告）号： | CN110569985A | 公开（公告）日： | 2019-12-13 |
| 发明（设计）人： | 吴庆耀;闫玉光;谭明奎;毕朝阳 | 申请（专利权）人： | 华南理工大学 |
| 主分类号： | G06N20/20 | 分类号： | G06N20/20 |
| 代理公司： | 44102 广州粤高专利商标代理有限公司 | 代理人： | 何淑珍;江裕强 |
| 地址： | 510640 广*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了基于在线和离线决策集成学习的在线异构迁移学习的方法。所述方法包括：初始化离线和在线决策模型的相关参数。对于在线每次得到的新目标数据，结合已有的源域数据和关联源域和目标域数据的共现数据，分别计算源域数据和共现数据、目标域数据和共现数据的皮尔森相关系数，以此得到异构的源域数据和目标域数据的相似性；然后对于每次迭代的目标域数据，选取与其最相似的k个源域数据，基于它们构建对目标数据的离线决策模型；而在线模型只用依次得到的目标数据构建简单的线性决策模型。最后对在线和离线模型进行组合，通过预测目标数据计算损失函数更新决策模型，并对每次得到的在线目标数据循环上述做法。本发明能够很好的对动态在线的数据进行预测。 | ||
| 搜索关键词： | 目标数据 目标域 源域 决策模型 离线 构建 皮尔森相关系数 集成学习 离线模型 数据计算 损失函数 相关参数 异构迁移 预测目标 在线决策 在线模型 初始化 计算源 域数据 迭代 异构 关联 预测 更新 决策 学习 | ||
【主权项】：
1.基于在线和离线决策集成学习的在线异构迁移学习的方法，其特征在于，所述方法包括以下步骤：/nS1：初始化在线的决策模型、离线的决策模型以及集成学习模型的模型参数；/nS2：对在线得到的第i个新目标域数据x
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华南理工大学，未经华南理工大学许可，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/201910820027.8/，转载请声明来源钻瓜专利网。
