[发明专利]目标域分类器训练方法、样本识别方法、终端及存储介质

权利要求书

1.一种目标域分类器训练方法，其特征在于，所述目标域分类器训练方法包括：

对训练样例进行特征提取得到训练数据，所述训练数据包括来自源域的辅助样例数据和来自目标域的源样例数据；

对所述训练数据进行多次迭代分类训练得到适用于对所述目标域中测试样例进行分类的分类器；所述迭代分类训练包括：

获取所述训练数据中各样例数据的分类权重向量；

根据各样例的分类权重向量对所述训练数据中的样例数据进行分类处理；

根据分类结果对所述训练数据中各样例数据的分类权重向量进行调整。

2.如权利要求1所述的目标域分类器训练方法，其特征在于，所述根据分类结果对所述训练数据中各样例数据的分类权重向量进行调整包括：

若所述训练数据中的某一辅助样例数据分类错误，则降低所述辅助样例数据的分类权重向量；

若所述训练数据中的某一源样例数据分类错误，则提升所述源样例数据的分类权重向量。

3.如权利要求2所述的目标域分类器训练方法，其特征在于，所述降低所述辅助样例数据的分类权重向量之前，还包括：

基于辅助样例数据的数目计算用于对分类错误的辅助样例数据进行分类权重降低的降低调整率；

所述提升所述源样例数据的分类权重向量之前，还包括：

计算在当前的分类权重向量下，所述训练数据中源样例数据分类错误的错误率；

基于所述错误率计算用于对分类错误的源样例数据进行分类权重提升的提升调整率。

4.如权利要求3所述的目标域分类器训练方法，其特征在于，所述基于所述错误率计算用于对分类错误的源样例数据进行分类权重提升的提升调整率之前，还包括：

根据所述错误率计算当前的错误计算值；

根据所述错误计算值采用根据以下公式计算所述提升调整率：

β t = ∈ t 1 - ∈ t ]]>

所述βt为提升调整率，所述t为当前迭代分类训练的次数，所述∈t为第t次进行迭代分类训练时的错误计算值。

5.如权利要求4所述的目标域分类器训练方法，其特征在于，所述根据所述错误率计算当前的错误计算值包括：

判断所述错误率是否大于第一预设门限；

若是，则直接将所述错误率作为所述错误计算值；若否，则根据以下公式确定当前的错误计算值：

∈t＝max(β1,β2,…βt-1)×K

所述K为预设倍率，其值大于0小于1。