基于边际Fisher准则和迁移学习的小样本集分类器设计算法
如何利用大量已有的同构标记数据(源域)设计小样本训练数据(目标域)的分类器是一个具有很强应用意义的研究问题。由于不同域的数据特征分布有差异,直接使用源域数据对目标域样本进行分类的效果并不理想。针对上述问题,本文提出了一种基于迁移学习的分类器设计算法。首先,本文利用内积度量的边际Fisher 准则对源域进行特征映射,提高源域中类内紧凑性和类间区分性。其次,为了筛选合理的训练样本对,本文提出一种去除边界奇异点的算法来选择源域密集区域样本点,与目标域中的标记样本点组成训练样本对。在核化空间上,本文学习了目标域特征到源域特征的非线性转换,将目标域映射到源域。最后,利用邻近算法(k-nearest neighbor, kNN)分类器对映射后的目标域样本进行分类。本文不仅改进了边际Fisher准则方法,并且将基于自适应样本对筛选的迁移学习应用到小样本数据的分类器设计中,提高域间适应性。在通用数据集上的实验结果表明,本文提出的方法能够有效提高小样本训练域的分类器性能。
小样本集分类器、迁移学习、边际Fisher准则、kNN分类器、域间转换
42
G63;TP3
国家自然科学基金61471321;教育部-中国移动科研基金MCM20150503;国家自然科学基金61202400;浙江省自然科学基金LQ12F02014资助Supported by National Natural Science Foundation of China61471321;Ministry of Education - China Mobile Research FundMCM20150503;National Natural Science Foundation of China61202400;Natural Science Foundation of Zhejiang ProvinceLQ12F02014
2016-10-14（万方平台首次上网日期，不代表论文的发表时间）
共9页
1313-1321
