基于SVC 和SVR 约束组合的迁移学习分类算法
CSTR:
作者:
作者单位:

江南大学数字媒体学院,江苏无锡214122.

作者简介:

毕安琪

通讯作者:

中图分类号:

TP391.4

基金项目:

国家自然科学基金项目(61272210).


Transfer classification learning based on combination of both SVC and SVR’s constraints
Author:
Affiliation:

School of Digital Media,Jiangnan University,Wuxi 214122,China.

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    根据迁移学习思想, 针对分类问题, 以支持向量机(SVM) 模型为基础提出一种新的迁移学习分类算法CC-TSVM. 该方法以邻域间的分类超平面为纽带实现源域对目标域的迁移学习. 具体地, 以支持向量分类的约束条件完成对目标域数据的学习, 获取分类超平面参数, 再以支持向量回归的约束条件有效利用源域数据矫正目标域超平面 参数, 并在上述组合约束的共同作用下实现邻域间迁移, 提高分类器性能. 在人工和真实数据集上的实验表明, 所提出算法具有良好的迁移能力和优越的分类性能.

    Abstract:

    Transfer learning focuses on solving learning tasks in the target domain by leveraging the useful information in the target domain. Therefore, a novel transfer classification learning algorithm called CC-TSVM is proposed, which is based on SVM learning framework. CC-TSVM firstly adopts SVC to get the hyperplane for the source domain and then corrects the obtained hyperplane as the hyperplane for the target domain by using SVR with the constraints for the labeled data in the target domain. The experimental results on artificial and real datasets show that the proposed algorithm has high classification accuracy and can well leverage the useful information in the source domain.

    参考文献
    相似文献
    引证文献
引用本文

毕安琪 王士同.基于SVC 和SVR 约束组合的迁移学习分类算法[J].控制与决策,2014,29(6):1021-1026

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2013-04-26
  • 最后修改日期:2013-10-23
  • 录用日期:
  • 在线发布日期: 2014-06-20
  • 出版日期:
文章二维码