一种适用于帕金森语音数据集的深度域适应分类方法技术

本发明专利技术涉及深度域适应分类技术领域，具体公开了一种适用于帕金森语音数据集的深度域适应分类方法，包括步骤：初始化DBN网络的参数，并以帕金森语音源域及目标域数据集分别训练；训练完成后，将语音源域及目标域样本分别输入到对应的源域和目标域DBN网络中进行变换，每一个输入样本变换得到多个隐含层样本：将源域及目标域DBN网络同一隐含层样本进行局部特性约束下的主成分迁移学习，从而构建输出域适应后的新帕金森语音源域和目标域数据集。本发明专利技术通过DBN深度网络表达学习数据集潜在的隐含信息，并对不同隐含层进行特征进行成分迁移和局部特性约束以使得源域及目标域分布对齐的同时最大程度保持各自数据集内部的隐含特性，提高最终的分类准确率。

【技术实现步骤摘要】
一种适用于帕金森语音数据集的深度域适应分类方法
本专利技术涉及深度域适应分类
，尤其涉及一种适用于帕金森语音数据集的深度域适应分类方法。
技术介绍
近年来，机器学习或深度学习等相关人工智能技术被广泛使用在帕金森(PD)语音数据集的分类上，一般是将有标签的帕金森语音训练数据中得到的模型用以预测测试数据。但由于患者个体差异、数据采集环境差异等，训练集与测试集无法往往无法满足独立同分布，影响了预测准确率的提高，泛化能力也较弱。目前解决不同数据域之间分布不同的有效方法是采用域适应相关技术。传统的域适应方法有TCA、JDA等，深度域适应方法有DDC、DAN等，但这些方法很难同时满足源域、目标域统计分布一致且各自数据特性充分保留。
技术实现思路
本专利技术提供一种适用于帕金森语音数据集的深度域适应分类方法，解决的技术问题在于：如何同时满足源域、目标域统计分布一致且各自数据特性充分保留。为解决以上技术问题，本专利技术提供一种适用于帕金森语音数据集的深度域适应分类方法，包括步骤：S1.初始化深度信念网络——DBN网络(本文档来自技高网...

【技术保护点】
1.一种适用于帕金森语音数据集的深度域适应分类方法，其特征在于，包括步骤：/nS1.初始化深度信念网络即DBN网络的相关参数，并以帕金森语音源域数据集

【技术特征摘要】
1.一种适用于帕金森语音数据集的深度域适应分类方法，其特征在于，包括步骤：
S1.初始化深度信念网络即DBN网络的相关参数，并以帕金森语音源域数据集及帕金森语音目标域数据集分别训练所述DBN网络，得到训练完成的源域DBN网络DBNS和目标域DBN网络DBNT；
S2.将数据集中的源域样本及数据集中的目标域样本分别输入到DBNS和DBNT中进行变换，得到每一个输入样本的多层隐含层样本和numlayer指所述DBN网络的内部层数；其中和均为m维列向量，n1为数据集DS的样本数，n2为数据集DT的样本数；
S3.对DBNS及DBNT的同一层隐含层样本集合及进行局部特性约束下的主成分迁移学习，从而构建输出域适应后的新帕金森源域数据集YS和新帕金森目标域数据集YT。


2.如权利要求1所述的一种适用于帕金森语音数据集的深度域适应分类方法，其特征在于，在所述步骤S3中，所述局部特性约束下的主成分迁移学习具体包括步骤：
S31.初始化域适应相关参数，包括平衡因子μ、主特征向量数d、多核函数类型、权重β、核数量f；
S32.构造数据集和的核矩阵K，构造MMD矩阵M；
S33.分别构造数据集和的拉普拉斯矩阵LS＝DS-SS和LT＝DT-ST，其中DS和DT分别为和的度矩阵，SS和ST分别为和的邻接矩阵；
S34.合并DS及DT为合并LS及LT为并表示K和L的点乘为L*＝K·L；对矩阵(KMK+μL*)-1KDK进行特征值分解，并提取前d个主特征向量构建转移矩阵W；
S35.提取WTK前n1个列向量和后n2个列向量分别作为输出域适应后的新帕金森源域数据集YS和新帕金森目标域数据集YT。


3.如权利要求2所述的一种适用于帕金森语音数据集的深度域适应分类方法，其特征在于，所述步骤S32具体包括步骤：
S321.对及中的样本及分别组成m×n1维源域矩阵及m×n2维目标域矩阵
S322.合并所述源域矩阵HS及所述目标域矩阵HT得m×(n1+n2)维矩阵H，并通...

【专利技术属性】
技术研发人员：张小恒，李勇明，张馨月，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50