[发明专利]一种基于迁移学习的稀疏表示分类方法

说明书

本发明提出一种基于迁移学习的稀疏表示分类方法。包括计算训练样本与测试样本互相迁移的表示系数；由表示系数得到样本的重构图像；将重构后的训练样本和处理后的测试样本做稀疏表示分类或者协同表达分类等，从而将样本分类。本发明将训练样本和测试样本互相迁移学习，可以从现有的数据中迁移知识，用来帮助将来的学习，从而消除样本间噪声，增强样本间的适应性。

技术领域

本发明属于模式识别技术领域，具体涉及一种基于迁移学习的稀疏表示分类方法。

背景技术

机器学习是分类器训练的主要手段，它以目标领域文本数据是否“标记”作为条件，分为监督学习、无监督学习和半监督学习等方法。这里的“标记”指的是样本数据有明确对应的目标向量。而迁移学习不同于传统的机器学习类型，它是一种跨领域的新的机器学习框架，它对目标领域标记条件要求很低，其通过结合源领域已标记数据和目标领域少量标记数据就可以完成对新领域的学习，即实现源领域到目标领域的知识迁移。

在传统的机器学习框架下，学习的任务是在给定充分训练样本的基础上来学习一个分类模型，利用这个模型对测试样本进行分类与预测。然而，该学习方法在当前众多研究领域中存在一个关键问题，即一些新领域中的大量训练样本非常难以得到，没有大量训练样本，会使很多相关研究工作无法开展，这也是现有技术的缺点。迁移学习可以从现有的数据中迁移知识，用来帮助将来的学习，其目标就是将从一个环境中学到的知识用来帮助新环境中的学习任务，因此，迁移学习能有效解决训练样本少带来的问题。

发明内容

本发明的目的在于提出一种基于迁移学习的稀疏表示分类方法，可以从现有的数据中迁移知识，用来帮助将来的学习，从而消除样本间噪声，增强样本间的适应性。

为了解决上述技术问题，本发明提供一种基于迁移学习的稀疏表示分类方法：计算用原始训练样本矩阵X线性表示所有原始测试样本y_j的表示系数矩阵根据表示系数用原始训练样本矩阵X线性重构所有测试样本y_j；计算用处理后的测试样本矩阵线性表示所有训练样本x_i的表示系数矩阵根据表示系数用处理后的测试样本矩阵线性重构所有训练样本x_i；根据线性重构所有训练样本x_i和线性重构所有测试样本y_j对目标进行分类。

进一步，表示系数矩阵的计算方法下式所示，

其中，T为转置运算符，α为一个小的正常数，I为单位矩阵，Y为原始测试样本矩阵。

进一步，用原始训练样本矩阵X线性重构所有测试样本y_j的方法如下式所示，

进一步，表示系数矩阵的计算方法下式所示，

其中，T为转置运算符，β为一个小的正常数，I为单位矩阵，Y为原始测试样本矩阵。

进一步，用处理后的测试样本矩阵线性重构所有训练样本x_i的方法如下式所示，

其中，为线性重构后的训练样本矩阵。

进一步，根据线性重构所有训练样本x_i和线性重构所有测试样本y_j，使用稀疏表示分类方法或者协同表达分类方法对目标进行分类。

本发明与现有技术相比，其显著优点在于：

(1)本发明方法使用“两步迁移”，即先用训练样本表示测试样本，再用测试样本表示训练样本，这样就可以从现有的数据中迁移知识，用来帮助将来的学习；

(2)本发明通过互相迁移有利于消除样本间的噪声，有利于增强样本间的兼容性和适应性；