[发明专利]一种数据分类方法

权利要求书

1.一种数据分类方法，应用于包括源域和目标域的系统中，其特征在于，所述源域中的源域数据包括多个不同类别的源域已知类数据和多个不同类别的源域未知类数据，所述目标域中的目标域数据包括目标域未知类数据和多个不同类别的目标域已知类数据，所述方法包括以下步骤：

S1、确定出所述源域数据在公共子空间中对应的源域数据映射类原型矩阵，确定出所述目标域数据在所述公共子空间中对应的目标域已知类映射类原型矩阵，所述源域数据映射类原型矩阵包括源域已知类映射类原型矩阵和源域未知类映射类原型矩阵；

S2、基于所述源域数据映射类原型矩阵和所述目标域已知类映射类原型矩阵确定所述目标域未知类映射类原型矩阵；

S3、根据所述目标域未知类映射类原型矩阵确定所述目标域未知类数据中每一个样本的类别标签。

2.如权利要求1所述的数据分类方法，其特征在于，所述源域已知类数据和所述目标域已知类数据的类别数量和类别相同，所述源域未知类数据的类别为已知，单个所述源域已知类数据包含多个对应类别的样本，单个所述源域未知类数据包含多个对应类别的样本，单个所述目标域已知类数据包含多个对应类别的样本，所述目标域未知类数据包含多个未知类别的样本。

3.如权利要求2所述的数据分类方法，其特征在于，所述S1具体包括以下分步骤：

S11、根据预设神经网络获取确定所述源域数据对应的源域样本特征矩阵，根据所述预设神经网络确定所述目标域对应的目标域样本特征矩阵，所述源域样本特征矩阵包括源域已知类样本特征矩阵和源域未知类样本特征矩阵，所述目标域样本特征矩阵包括目标域已知类样本特征矩阵和目标域未知类样本特征矩阵；

S12、将所述源域样本特征矩阵和所述目标域样本特征矩阵进行合并得到合并样本特征矩阵；

S13、确定出所述源域数据和所述目标域数据中任意两个样本之间的相似度，并将所有所述相似度组合为样本相似度矩阵；

S14、确定出所述源域数据对应的源域类原型矩阵和所述目标域已知类数据对应的目标域已知类类原型矩阵，所述源域类原型矩阵包括源域已知类类原型矩阵和源域未知类类原型矩阵；

S15、基于所述合并样本特征矩阵、所述样本相似度矩阵、所述源域类原型矩阵和所述目标域已知类类原型矩阵确定出对应的所述源域数据映射类原型矩阵和所述目标域已知类映射类原型矩阵。

4.如权利要求3所述的数据分类方法，其特征在于，所述S15具体包括以下分步骤：

S151、基于所述源域类原型矩阵和所述目标域已知类类原型矩阵确定样本类原型矩阵；

S152、根据所述样本类原型矩阵、所述样本相似度矩阵和所述合并样本特征矩阵确定映射矩阵；

S153、基于所述源域类原型矩阵、所述目标域已知类类原型矩阵和所述映射矩阵确定出对应的源域数据映射类原型矩阵和所述目标域已知类映射类原型矩阵。

5.如权利要求2所述的方法，其特征在于，所述S2包括以下分步骤：

S21、通过第一多层感知机网络确定所述源域和所述目标域之间的嵌入函数，并通过所述嵌入函数和所述源域未知类映射类原型矩阵确定出所述目标域未知类数据在所述公共子空间中对应的第一目标域未知类映射类原型矩阵；

S22、通过第二多层感知机网络确定所述源域已知类映射类原型矩阵和所述源域未知类映射类原型矩阵之间的关系函数，并通过所述关系函数和所述目标域已知类映射类原型矩阵确定出所述目标域未知类数据在所述公共子空间中对应的第二目标域未知类映射类原型矩阵；

S23、基于所述第一多层感知机网络、所述第二多层感知机网络、所述嵌入函数和所述关系函数确定出目标函数，并通过最小化所述目标函数对所述第一多层感知机网络和所述第二多层感知机网络进行训练得到训练后的所述嵌入函数；

S24、基于训练后的所述嵌入函数和所述源域未知类映射类原型矩阵确定出目标域未知类映射类原型矩阵。

6.如权利要求2所述的数据分类方法，其特征在于，所述S3包括以下分步骤：

S31、确定所述目标域未知类数据中每一个样本与所述目标域未知类映射类原型矩阵中每一个目标域未知类映射类原型之间的距离向量；

S32、确定出值最小的所述距离向量对应的所述目标域未知类映射类原型的类别标签；

S33、基于所述类别标签将对应所述样本进行分类。