【技术实现步骤摘要】
本专利技术涉及机器学习，具体涉及一种基于双向跨域逼近的迁移核极限学习机的数据分类方法。
技术介绍
1、极限学习机(elm)因其具有学习速度快和泛化性能好的优点，广泛应用在模式识别、计算科学和机器学习等方面，该网络具有三层网络结构，输入层、隐含层和输出层，它随机初始化输入层参数，并采用最小二乘方法求取最优的输出层参数，获得了较快的学习和较高的分类精度，然而，输入层参数的随机初始化以及隐含层节点的规模都会引起分类精度的较大变化，削弱了模型的鲁棒性，为此，核方法被引入到极限学习机模型，催生了核极限学习机(kelm)的出现，它不仅继承了传统极限学习机的快速学习和高精度的优点，而且无需初始化输入层网络参数和隐含层节点数，增强了模型的鲁棒性，因此，它在感影像识别、机械故障诊断、医疗诊断等领域受到广泛关注；
2、核极限学习机将支持向量机模型中的核函数概念推广至极限学习机模型，采用核映射取代了原始的随机映射，避免了输入层参数的变化对分类精度的影响，并且也无需寻找最优的隐藏层节点规模，相比于传统极限学习机，它增强了模型的鲁棒性和非线性拟合能力，受到了诸多学者的青睐；
3、然而，当训练样本不足时这些方法均会性能衰退，获得大量高价值的标注样本在真实应用场景中是一项挑战性任务，一方面受到噪声、环境变化等因素的干扰，另一方面大量数据的标注需要昂贵的成本；
4、鉴于以上，本申请提供一种基于双向跨域逼近的迁移核极限学习机的数据分类方法用于解决上述问题。
技术实现思路
1、针对
2、一种基于双向跨域逼近的迁移核极限学习机的数据分类方法，其特征在于，包括以下步骤：
3、s1：对源域和目标域样本数据分别进行预处理，获取源域和目标域数据集和
4、s2：分别采用源域和目标域数据集ds与dt构建cdma度量，并拆解为两个单域逼近机制ls→t(ds,dt)和lt→s(dt,ds)；
5、s3：将ls→t(ds,dt)和lt→s(dt,ds)加入核极限学习机(kelm)目标函数中，构建两个迁移核极限学习机模型并获得两个输出权重和
6、s4：根据和计算融合输出权重β*，并对所述目标域数据集dt进行标签预测，得到其标签
7、s5：循环执行步骤s1-s4直到不再改变，并输出预测结果
8、上述技术方案有益效果在于：
9、(1)将跨领域均值机制拆解为两个单域逼近机制，以缩小领域间的分布差异，提升了kelm实现知识的跨领域迁移；
10、(2)借助两个跨领域度量机制，设计两个单域迁移极限学习机，这样，更有利于kelm在迁移学习环境下的性能提升，且在求解过程避免了(ns+nt)×(ns+nt)的大矩阵参与运算；
11、(3)tkelm-bcda利用和共同对测试样本做出标签决策，不仅有利于其分类精度的提升而且增强了其鲁棒性。
本文档来自技高网...【技术保护点】
1.一种基于双向跨域逼近的迁移核极限学习机的数据分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于双向跨域逼近的迁移核极限学习机的数据分类方法，其特征在于，所述S1中对源域和目标域样本数据进行预处理包括以下步骤：
3.根据权利要求1所述的一种基于双向跨域逼近的迁移核极限学习机的数据分类方法，其特征在于，所述S2中构建CDMA度量并拆解为两个单域逼近机制过程包括以下步骤：
4.根据权利要求1所述的一种基于双向跨域逼近的迁移核极限学习机的数据分类方法，其特征在于，所述S3中构建两个分别以LS→T(DS,DT)和LT→S(DT,DS)为目标函数的迁移核极限学习机模型，包括以下步骤：
5.根据权利要求1所述的一种基于双向跨域逼近的迁移核极限学习机的数据分类方法，其特征在于，所述S4中使用和预测DT的过程如下：
【技术特征摘要】
1.一种基于双向跨域逼近的迁移核极限学习机的数据分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于双向跨域逼近的迁移核极限学习机的数据分类方法，其特征在于，所述s1中对源域和目标域样本数据进行预处理包括以下步骤：
3.根据权利要求1所述的一种基于双向跨域逼近的迁移核极限学习机的数据分类方法，其特征在于，所述s2中构建cdma度量并拆解为两个单域...
【专利技术属性】
技术研发人员：臧绍飞，王鳞，马超，马建伟，丁圣巧，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。