[发明专利]一种具有知识迁移判别能力的数据分类方法

权利要求书

1.一种具有知识迁移判别能力的数据分类方法，其特征在于，包括源域、目标域、特征空间、Softmax分类器、预测结果，其分类过程包括以下步骤：

S1：源域样本和目标域样本经特征映射后，在特征空间中可找到它们近似的相同分布；

S2：在特征空间中进行WMMD和Linear Discriminant Analysis(LDA)运算，使得具有相同特征的样本与具有不同特征的样本区分开，不同的样本标签对应不同的样本特征；

S3：Softmax分类器分别计算目标域中每个样本所对应的每个标签下的概率，选择概率值最大值对应的标签，即为该样本的标签，完成样本分类；

S4：预测结果保存目标域样本分类结果，即每个样本对应的标签。

2.根据权利要求1所述的一种具有知识迁移判别能力的数据分类方法，其特征在于，所述S1中源域由两部分组成，样本x和样本标签y_x，源域用表示，目标域中只有样本，用表示，所述特征空间包括WMMD、LDA。

3.根据权利要求2所述的一种具有知识迁移判别能力的数据分类方法，其特征在于，构造系统目标函数：

J(θ)＝J₁(θ)+α·J₂(θ)+β·J₃(θ)+λ·J₄(θ)+μ·J₅(θ) (1)

其中，

4.根据权利要求3所述的一种具有知识迁移判别能力的数据分类方法，其特征在于，所述的θ是系统所有项参数，即系统需要通过训练确定的参数；

J₁(θ)是Softmax回归的代价函数；

J₂(θ)是基于WMMD计算结果；

J₃(θ)用于通过条件分布和边沿分布减少Softmax回归概率输出层中，域间的分布差异；

J₄(θ)是模型参数的稀疏控制项，防止模型出现过拟合现象；

J₅(θ)是系统中LDA计算项；

α,β,λ,μ分别是J₂(θ),J₃(θ),J₄(θ),J₅(θ)的平衡参数；

L₀和W₀分别是边沿分布矩阵和边沿分布权重系数矩阵；

L_c和W_c分别是条件分布矩阵和条件分布权重系数矩阵；

G_b是类间矩阵，G_u是类内矩阵，G_v是总散度矩阵，G_v＝G_b+G_u。

5.根据权利要求4所述的一种具有知识迁移判别能力的数据分类方法，其特征在于，所述L₀矩阵由下式计算得：

其中，是源域，是目标域，x是相应域中的样本，n是相应域中的样本数量；

权重系数W₀定义如下：

其中，是第i个样本的权重系数，是源域或目标域样本的均值；

L_c矩阵根据下式计算：

其中，是属于类c的源域样本集，是源域样本x_i的正确标签，相应的，是属于类c的目标域样本集；

类权重系数W_c的定义如下：

其中，是第i个属于类c的样本的权重系数，是源域或目标域属于类c的样本的均值；

类间矩阵计算如下：

这里表示所有样本的均值；

类内矩阵计算如下：

这里表示第i类样本的均值，表示总样本中是i类样本的数据子集；

由式(11)和式(12)得总散度矩阵：

6.根据权利要求5所述的一种具有知识迁移判别能力的数据分类方法，其特征在于，最小化目标函数J(θ)得到参数θ的最优解，目标函数J(θ)针对属于第j类参数θ求偏导，结果为：

其中，

模型参数由下式更新，

取得模型参数θ后，对目标域进行分类，每一个测试样本x属于类别j的概率为：

通过式(21)计算出x属于所有类别的概率，取最大概率所对应的类别即为x的分类类别。