[发明专利]基于迁移学习的最小二乘多分类方法、装置和存储介质

权利要求书

1.一种基于迁移学习的最小二乘多分类方法，其特征在于，所述方法包括以下步骤：

采用源领域的标记样本对最小二乘多分类模型进行训练，获取源领域参数，所述源领域参数包括源超平面参数，所述源超平面参数与用于划分所述源领域类别的超平面对应；

根据所述源领域参数，采用正则化逼近迁移权重项的方法，在所述最小二乘多分类模型的基础上构建迁移的最小二乘多分类模型；

采用目标领域的标记样本对所述迁移的最小二乘多分类模型进行训练，获得目标领域参数，所述目标领域参数包括目标超平面参数，所述目标超平面参数与用于划分所述目标领域类别的超平面对应；

根据所述目标领域参数获得所述目标领域分类的决策函数；

根据所述决策函数对所述目标领域的目标进行分类。

2.根据权利要求1所述方法，其特征在于，所述决策函数的决策方式为“1-vs-1-vs-1”分类结构。

3.根据权利要求1或2所述方法，其特征在于，所述根据所述源领域参数，采用正则化逼近迁移权重项的方法，在所述最小二乘多分类模型的基础上构建迁移的最小二乘多分类模型之前，包括：

对所述目标领域和所述源领域进行相似性分析，若所述目标领域与所述源领域相似性高于第一预设阈值时，则所述目标领域和所述源领域具有相似性，所述源领域参数用于所述目标领域的迁移学习。

4.根据权利要求3所述方法，其特征在于，所述相似度分析采用KL散度法或布雷格曼散度法或最大均值化差异法。

5.根据权利要求1所述方法，其特征在于，所述根据所述源领域参数，采用正则化逼近迁移权重项的方法，在所述最小二乘多分类模型的基础上构建迁移的最小二乘多分类模型，包括：

根据所述源领域参数获得所述迁移的最小二乘多分类模型的所述迁移权重项；

在所述迁移权重项的基础上增加L2正则项以获得所述迁移的最小二乘多分类模型。

6.根据权利要求1所述方法，其特征在于，所述根据所述决策函数对所述目标领域的目标进行分类之前，包括：

利用目标领域的标记样本分别训练所述最小二乘多分类模型和所述迁移的最小二乘多分类模型；

分别向训练好的所述最小二乘多分类模型和所述迁移的最小二乘多分类模型输入相同的待处理样本，所述待处理样本为目标领域的样本；

获取所述最小二乘多分类模型输出的第一分类结果以及所述迁移的最小二乘多分类模型输出的第二分类结果；

若所述第二分类结果比所述第一分类结果分类清晰，则所述迁移的最小二乘多分类模型比所述最小二乘多分类模型分类效果好。

7.根据权利要求1所述方法，其特征在于，所述根据所述决策函数对所述目标领域的目标进行分类之前，还包括：

计算所述迁移的最小二乘多分类模型的分类精度，若高于第二预设阈值，则所述迁移的最小二乘多分类模型的分类结果准确率高。

8.根据权利要求7所述方法，其特征在于，所述计算所述迁移的最小二乘多分类模型的分类精度，还包括：

利用目标领域的标记样本训练所述迁移的最小二乘多分类模型；

分别向训练好的所述迁移的最小二乘多分类模型输入第一待处理样本和第二待处理样本，所述第一待处理样本和所述第二待处理样本为目标领域的标记样本，所述第一待处理样本的样本数量大于所述第二待处理样本的样本数量；

分别获取所述迁移的最小二乘多分类模型输出的第三分类结果和第四分类结果；

根据所述第三分类结果和所述第四分类结果的分类结果计算分类精度，若所述分类精度大于所述第二预设阈值，则所述迁移的最小二乘多分类模型的分类结果准确率高。

9.一种基于迁移学习的最小二乘多分类装置，其特征在于，所述装置包括处理器和与所述处理器耦接的存储器，其中，

所述存储器存储有用于实现权利要求1-7任一项所述的方法的程序指令；

所述处理器用于执行所述存储器存储的所述程序指令。

10.一种存储介质，其特征在于，存储有处理器可运行的程序指令，所述程序指令用于执行权利要求1-7任一项所述的方法。