一种域适应学的最优核组合选择方法

摘要

本发明涉及一种域适应学的最优核组合选择方法。在实际应用场景中，通常由于缺少足够的具有标签的样本，以至于不能够训练一个鲁棒的分类器。但是，可以利用已经进行了标签的大量样本来帮助目标域中的数据来训练分类器。本发明将辅助域与目标域的样本映射到高维空间中通过假设检验的方法判断两样本服从同一分布的概率，同时，用支持向量机对辅助域与目标域的数据进行经验结构风险最小化。在建模过程中，本发明采取的是多核支持向量机。因此，可以构建一个以核组合参数的目标函数，最后可以通过最优化方法解该目标函数。然后会得到一个分类器，可以对目标域的数据进行分类。

主权项

1.一种域适应学习的最优核组合选择方法，其特征在于包括以下步骤：步骤1、将辅助域与目标域的样本映射到高维空间中通过假设检验的方法判断两样本服从同一分布的概率，同时，用支持向量机对辅助域与目标域的数据进行经验结构风险最小化；步骤2、构建以多核系数为参数的目标函数，将求解出核组合系数，并且能够得到分类器的参数，目标函数具体如下：其中，单调函数，P(η＜t)是两个样本在映射后的空间服从同一分布的概率，λ为平衡因子，ψ为以多核组合系数为参数的结构风险函数，其中目标函数的约束条件：$y_i(\underset{i=1}{\overset{N}{\Sigma }}{w}_i\phi \left(x_i\right)+b)\ge 1-{\xi }_i,\xi >0,b>0$公式中w是垂直于超平面的向量、b为标准支持向量机的位移参数；Ω是对核组合系数的约束函数，φ为映射函数，其中，P(η＜t)＝dQd，d为核组合系数，y_i＝{-1,+1}表示样本的标签属性，ξ_i是松弛变量，Q为以正负样本构建的MMD平方协方差矩阵，即是以下变量的协方差矩阵：公式中η的含义D^A为辅助域数据，D^T为目标域数据。