[发明专利]一种迁移学习分类的方法及装置

摘要

本发明公开了一种基于聚类的dynmaic‑TrAdaboost迁移学习分类的方法及装置，通过每次迭代得到的不同的数据集和权重值，动态的计算每次迭代过程的误差，以及动态因子，然后根据权重与动态因子在每次迭代过程中动态的调整数据集的权重，在数据集中删除权重小的数据，保留权重大的数据，进行下一次迭代，更新达到标准后就可以得到最终的目标分类器。因此，通过动态因子动态地调整权重可以避免权重更新两极分化的问题，提高了分类的精度。本发明还提供一种基于聚类的dynmaic‑TrAdaboost迁移学习分类的装置，同样能实现上述技术效果。

主权项

一种基于聚类的dynmaic‑TrAdaboost迁移学习分类的方法，其特征在于，包括：S101，利用总数据集得到总数据集的总权重集，并设置第一权重值跟踪指数，其中所述总数据集为源数据集的带权重数据与目标数据集的带权重数据的组合；S102，在总数据集中调用基分类器，并利用总权重集得到候选的弱分类器；S103，判断所述弱分类器是否满足预设目标分类器条件，若是，则利用所述弱分类器计算得到目标分类器，利用所述目标分类器对未分类数据进行分类，若否，则继续执行S104；S104，计算所述弱分类器在目标数据集上的误差，并利用所述误差计算得到动态因子；S105，设置第二权重值跟踪指数；S106，利用所述第一权重值跟踪指数、所述第二权重值跟踪指数与所述动态因子，更新总权重集；S107，将更新后的总权重集中的每一个权重与预设阈值进行比较，从更新后的总权重集中删除小于所述预设阈值的目标权重值，从总数据集中删除与所述目标权重值对应的数据，得到更新后的总数据集与更新后的总权重集，返回S102。