[发明专利]一种不同辅助样本正负比例的迁移学习方法

权利要求书

1.一种不同辅助样本正负比例的迁移学习方法，其特征在于，包括以下步骤：

1)将目标训练集分为K份，采用K折交叉验证，得到原始分类准确率；

2)从辅助样本集中随机抽取不同正负样本比例的辅助样本子集；

3)将不同正负样本比例的辅助样本子集和目标训练集合并进行迁移学习，并采用K折交叉验证，得到迁移学习分类准确率；

4)求得各类正负样本比例的辅助样本子集给目标训练集带来的准确率的提升程度；

5)对于每种比例，多次迭代，求出其迁移学习平均提升程度，并以此为目标训练集选择最好的正负样本比例的辅助样本子集，从而进行迁移学习并对目标测试集进行预测。

2.根据权利要求1所述的一种不同辅助样本正负比例的迁移学习方法，其特征在于，在步骤1)中，训练过程如下：

1.1)对需要训练分类器的数据集做滤波、去噪声这些预处理操作；

1.2)利用特征提取方法对预处理后的数据集特征提取，将原本难以分类的训练数据变换到易于分类的数据空间；

1.3)将目标训练集分为正负样本均衡的K份，其中一份作为测试集，其余作为训练集，在训练集上利用支持向量机算法训练分类器，在测试集上预测，再将整个过程重复K次，得到原始分类准确率。

3.根据权利要求1所述的一种不同辅助样本正负比例的迁移学习方法，其特征在于：在步骤2)中，从辅助样本集中随机抽取不同正负样本比例的辅助样本子集，是指在抽取的辅助样本总数相同的情况下，有放回的抽取多种正负样本比例的辅助样本子集。

4.根据权利要求1所述的一种不同辅助样本正负比例的迁移学习方法，其特征在于：在步骤3)中，将不同正负样本比例的辅助样本子集和目标训练集合并进行迁移学习，并采用K折交叉验证，得到迁移学习分类准确率，包括如下步骤：

3.1)将目标训练集分为正负样本均衡的K份，其中一份作为测试集，其余作为训练集；

3.2)对于每种正负样本比例的辅助样本子集，将其与训练集合并，在合并集上利用支持向量机算法训练分类器，在测试集上预测；

3.3)将整个过程重复K次，即迁移学习下的K折交叉验证，得到迁移学习分类准确率。

5.根据权利要求1所述的一种不同辅助样本正负比例的迁移学习方法，其特征在于：在步骤4)中，各类正负样本比例的辅助样本子集给目标训练集带来的准确率的提升程度，是指对于每一种正负样本比例的辅助样本子集，用其迁移学习分类准确率，减去原始分类准确率，就得到了迁移学习带来的提升程度。

6.根据权利要求1所述的一种不同辅助样本正负比例的迁移学习方法，其特征在于：在步骤5)中，多次迭代步骤2)、步骤3)和步骤4)，求出在多次试验中，每种正负样本比例的辅助样本子集的迁移学习平均提升程度，并根据迁移学习平均提升程度为目标训练集选择最好的正负样本比例的辅助样本子集，从而进行迁移学习并对目标测试集进行预测。