[發(fā)明專利]一種基于張量多屬性特征遷移的分類方法

在審

• 申請?zhí)枺?/td>: 202210529783.7
• 申請日: 2022-05-16
• 公開（公告）號: CN115019084A
• 公開（公告）日: 2022-09-06
• 發(fā)明（設計）人: 劉欣剛;葉嘉林;陳捷元;呂卓祺;章權江;張澤龍
• 申請（專利權）人: 電子科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 閆樹平

1.一種基于張量多屬性特征遷移的分類方法，其特征在于：包括如下步驟：

步驟S1、張量建模：將所有源域數據樣本和目標域數據樣本都表示成高階張量的形式，得到源域數據樣本張量和目標域數據樣本張量其中源域數據樣本為帶標簽的數據樣本，目標域數據樣本為無標簽的數據樣本；

步驟S2、偽標簽獲取：將源域所有數據樣本的標簽組成源域標簽矩陣Y_s；使用源域樣本張量和其對應的源域標簽矩陣Y_s訓練一個分類器f_s()；對目標域數據樣本張量進行預測，獲得對應的目標域偽標簽矩陣

步驟S3、多屬性特征遷移：根據源域數據樣本張量和目標域數據張量結合源域標簽矩陣Y_s和目標域偽標簽矩陣采用動態(tài)分布自適應方法依次迭代減小每一個特征階上源域樣本張量和目標域樣本張量的聯合分布差異；獲得所有特征階上聯合分布差異都減小后的新源域樣本張量和目標域樣本張量

步驟S4、標簽更新：結合新源域樣本張量和其對應的源域標簽矩陣Y_s再次訓練一個簡單的分類器用于對目標域樣本張量進行預測，從而獲取新目標域的標簽；

步驟S5、重復步驟S3和S4，通過不斷迭代獲得更準確的標簽，以實現對無標簽目標域數據樣本的分類。

2.根據權利要求1所述的一種基于張量多屬性特征遷移的分類方法，其特征在于：所述步驟S1包括如下步驟：

S1.1、對于一個數據樣本量為a_s的源域樣本集，每個單獨的數據樣本共有N個特征階的源域，其所有數據樣本的集合可以組成(N+1)階的源域樣本張量其中I_n表示對于第n(1≤n≤N)個特征階，每個數據樣本在該階上的維數為I_n，最后一階則被稱為樣本數量階；該源域中所有數據樣本的標簽可以組成源域標簽矩陣

S1.2、對于一個數據樣本量為a_t的目標域樣本集，每個單獨數據樣本的特征階數及每一個特征階上的維數都與源域相同的目標域，其所有數據樣本的集合可以組成(N+1)階的目標域樣本張量。

3.根據權利要求2所述的一種基于張量多屬性特征遷移的分類方法，其特征在于：所述步驟S3包括如下步驟：

S3.1、對源域樣本張量進行第n階上的向量展開獲得源域第n階樣本矩陣其中k₀＝I₁×I₂×…×I_n×…×I_N；

S3.2、對目標域樣本張量進行第n階上的向量展開獲得目標域第n階樣本矩陣

S3.3、結合源域標簽矩陣Y_s和目標域偽標簽矩陣計算源域第n階樣本矩陣X_{s_n}和目標域第n階樣本矩陣X_{t_n}的聯合分布的最大均值差異距離MMD(P_s(X,Y),P_t(X,Y))；

S3.4、使用動態(tài)分布自適應方法縮短兩者間的聯合分布距離MMD(P_s(X,Y),P_t(X,Y))，并獲得第n階上的特征變換矩陣其中k_n＝J₁×J₂×…×J_n-1×J_n×I_n+1×I_n×…×I_n，J_n為聯合分布距離縮短后的新的數據樣本在第n階上的特征數；

S3.5、根據第n階上的特征變換矩陣A_(n)^T計算在第n階上進行特征對齊后的新源域第n階樣本矩陣以及新目標域第n階樣本矩陣

S3.6、在新源域第n階樣本矩陣和新目標域第n階樣本矩陣上分別執(zhí)行第n階向量展開的逆過程獲得已對齊第n階特征的新源域樣本張量以及新目標域樣本張量

S3.7、迭代執(zhí)行S3.1至S3.6直至完成從第1階到第N階的特征對齊并獲得最終的新源域樣本張量以及新目標域樣本張量其中第n次迭代完成時的最終結果和即是第(n+1)次迭代所使用的和