L1 Graph联合转换学习模型的多观测样本分类算法 .pdfVIP

学兔兔 第36卷 第 11期 V01．36No．11 2015年 11月 NOV．2015 L1Graph联合转换学习模型的 多观测样本分类算法术 卢辉斌，胡正平，高红霄 (燕山大学信息科学与工程学院 秦皇岛 066004) 摘 要：不同分布多观测样本分类问题中，训练样本和测试样本来 自不同的域，针对如何利用转换学习提高不同分布多观测样 ●义L‘阱 本分类性能问题 ，提出L1一Graph联合转换学习的多观测样本分类算法。首先基于转换学习构建一种非负矩阵三因子分解框 架，将其中不变信息作为源域到目标域的转换桥梁；其次，基于稀疏表示思路构造 LI—Graph，自适应寻找数据近邻 ，保留样本及 q e 旦 特征几何结构；最后，将两个互补 目标函数联合到统一优化问题中，然后利用迭代算法解决优化问题，进而估计出测试样本类 别。在USPS—Binary数字数据库 、ThreeDomainObjectBenchmark数据库和ALOI数据库上进行对比实验，实验结果表明该方法 义 o 的有效性，既提高了识别精度又保证了算法鲁棒性。 S 关键词：稀疏表示；转换学习；域适应；多观测样本分类 中图分类号：TP391．41 TH74 文献标识码：A 国家标准学科分类代码：510．40 表 学 M ultipleobservation setsclassification algorithm based on B于队 ∞ L1Graphtransferlearningunifiedmodel LuHuibin，HuZhengping，GaoHongxiao (SchoolofInformationScienceandEngineering，YanshanUniversity，Qinhuangdao066004，China) Abstract：Intheclassificationproblem ofmultipleobservationsetswithdifferentdistributions，thetrainingsamplesandtestsamples arerfom differentdomains；aimingathow tousetransferlearningtoimprovetheclassificationperformanceofmultipleobservation setswithdifferentdistributions，amuhipleobservationsetsclassificationalgorithm basedonL1一Graphtransferlearningispresen— ted．Firstofal1．arfameworkofnon—negativematrixtri—factorizationbasedOndomainadaptivelearningisconstructed，inwhichthe unchangedinformationisregardedasthebridgeofknowledgetransformationfrom thesourcedomaintothetargetdomain；Thesee— ondstepistoconstructL1一Graphonthebasisofsparserepresentation，adaptivel