[发明专利]一种基于半监督自训练的迁移学习分类方法

权利要求书

1.一种基于半监督自训练的迁移学习分类方法，其特征在于，包括以下步骤：

1)对目标有标签数据集进行训练得到初始分类器；

2)用初始分类器对目标无标签数据集的实例进行预测和分配标签，得到预分类标签；

3)结合目标有标签数据集和多个辅助有标签数据集，采用自训练学习算法对目标无标签数据集进行预测分类，并计算无标签数据集中每个实例的辅助分类标签置信度大小；

4)根据置信度大小对正确分类的无标签数据集实例按照降序进行排序，取置信度排在前面的N个实例及其辅助分类标签，加入到当前目标有标签数据集中，其中N＝1,2,3,4…；

5)多次迭代，逐渐扩大目标有标签数据集规模；

6)对于多次迭代后新的目标有标签数据集再次训练分类器，对目标无标签数据进行分类，得到最终分类标签。

2.根据权利要求1所述的一种基于半监督自训练的迁移学习分类方法，其特征在于：在步骤1)中，训练过程如下：

1.1)对需要训练分类器的数据集做滤波、去噪声这些预处理操作；

1.2)利用主成分分析法对预处理后的数据集提取特征，将原本难以分类的训练数据变换到易于分类的数据空间；

1.3)利用支撑向量机算法，根据变换后的训练数据及其已知的标签学习一个能准确分类的界线，即训练后的分类器。

3.根据权利要求1所述的一种基于半监督自训练的迁移学习分类方法，其特征在于：在步骤3)中，所述采用自训练学习算法对目标无标签数据集进行预测分类，包括以下步骤：

3.1)对于多个辅助有标签数据集，目标有标签数据集分别和其中一个辅助有标签数据集组成新的有标签训练集，分别训练得到多个辅助分类器；

3.2)多个辅助分类器分别对目标无标签数据集进行预测分类，得到多个辅助预测结果和辅助分类标签；

3.3)根据目标无标签数据集每个实例的多个辅助预测结果，计算其分类标签的置信度；

3.4)将目标无标签数据集每个实例的多个辅助分类标签与预分类标签比较，分类标签相同的目标无标签实例判断为正确分类的实例，并将辅助分类标签赋予其作为标签。

4.根据权利要求1所述的一种基于半监督自训练的迁移学习分类方法，其特征在于：在步骤5)中，多次迭代步骤3)和步骤4)，每次迭代会从目标无标签数据集中选取置信度排在前面的N个实例及其辅助分类标签加入当前的目标有标签数据集，多次迭代后得到新的目标有标签数据集，扩大了初始目标有标签数据集的规模。