[發明專利]一種遷移學習分類的方法及裝置

在審

• 申請號: 201710547008.3
• 申請日: 2017-07-06
• 公開（公告）號: CN107341512A
• 公開（公告）日: 2017-11-10
• 發明（設計）人: 李子彬;劉波;肖燕珊
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京集佳知識產權代理有限公司11227
• 代理人: 羅滿

1.一種基于聚類的dynmaic-TrAdaboost遷移學習分類的方法，其特征在于，包括：

S101，利用總數據集得到總數據集的總權重集，并設置第一權重值跟蹤指數，其中所述總數據集為源數據集的帶權重數據與目標數據集的帶權重數據的組合；

S102，在總數據集中調用基分類器，并利用總權重集得到候選的弱分類器；

S103，判斷所述弱分類器是否滿足預設目標分類器條件，若是，則利用所述弱分類器計算得到目標分類器，利用所述目標分類器對未分類數據進行分類，若否，則繼續執行S104；

S104，計算所述弱分類器在目標數據集上的誤差，并利用所述誤差計算得到動態因子；

S105，設置第二權重值跟蹤指數；

S106，利用所述第一權重值跟蹤指數、所述第二權重值跟蹤指數與所述動態因子，更新總權重集；

S107，將更新后的總權重集中的每一個權重與預設閾值進行比較，從更新后的總權重集中刪除小于所述預設閾值的目標權重值，從總數據集中刪除與所述目標權重值對應的數據，得到更新后的總數據集與更新后的總權重集，返回S102。

2.根據權利要求1所述的方法，其特征在于，在所述S101之前，還包括：

對原始訓練集進行篩選，得到總數據集。

3.根據權利要求2所述的方法，其特征在于，所述對原始訓練集進行篩選，得到總數據集，包括：

獲取原始訓練集，其中所述原始訓練集包括原始源數據集與原始目標數據集；

將所述原始訓練集劃分為多個子集，并刪除每個子集中不在一個簇內的數據，得到總數據集。

4.根據權利要求1所述的方法，其特征在于，所述利用總權重集得到候選的弱分類器包括：

利用總權重集計算得到權重矢量；

將所述權重矢量歸一化；

利用歸一化后的權重矢量得到候選的弱分類器。

5.根據權利要求1至4中任意一項所述的方法，其特征在于，在所述S102之前，還包括：

清空候選的弱分類器的集合。

6.一種基于聚類的dynmaic-TrAdaboost遷移學習分類的裝置，其特征在于，包括：

總權重集獲取模塊，利用總數據集得到總數據集的總權重集，并設置第一權重值跟蹤指數，其中所述總數據集為源數據集的帶權重數據與目標數據集的帶權重數據的組合；

弱分類器計算模塊，用于在總數據集中調用基分類器，并利用總權重集得到候選的弱分類器；

判斷模塊，判斷所述弱分類器是否滿足預設目標分類器條件，若是，則利用所述弱分類器計算得到目標分類器，利用所述目標分類器對未分類數據進行分類；

動態因子計算模塊，用于所述弱分類器沒有滿足預設目標分類器條件時，計算所述弱分類器在目標數據集上的誤差，并利用所述誤差計算得到動態因子；

權重值跟蹤指數設置模塊，用于設置第二權重值跟蹤指數；

第一更新模塊，用于利用所述第一權重值跟蹤指數、所述第二權重值跟蹤指數與所述動態因子，更新總權重集；

第二更新模塊，用于將更新后的總權重集中的每一個權重與預設閾值進行比較，從更新后的總權重集中刪除小于所述預設閾值的目標權重值，從總數據集中刪除與所述目標權重值對應的數據，得到更新后的總數據集與更新后的總權重集，繼續調用弱分類器計算模塊。

7.根據權利要求6所述的裝置，其特征在于，還包括：

總數據集獲取模塊，用于對原始訓練集進行篩選，得到總數據集。

8.根據權利要求7所述的裝置，其特征在于，所述數據集獲取模塊包括：

原始訓練集獲取單元，用于獲取原始訓練集，其中所述原始訓練集包括原始源數據集與原始目標數據集；

總數據集獲取單元，用于將所述原始訓練集劃分為多個子集，并刪除每個子集中不在一個簇內的數據，得到總數據集。

9.根據權利要求6所述的裝置，其特征在于，所述弱分類器計算模塊具體用于，利用總權重集計算得到權重矢量，將所述權重矢量歸一化，在總數據集中調用基分類器，利用歸一化后的權重矢量得到候選的弱分類器。

10.根據權利要求6至9中的任意一項所述的裝置，其特征在于，還包括：

清空模塊，用于清空候選的弱分類器的集合。