一种新的面向迁移学习的l2核分类器.pdfVIP

第 35卷第9期 电 子 与 信 息 学 报 V01．35NO．9 2013年 9月 JournalofElectronics InformationTechnology Sept．2013 一 种新的面 向迁移学习的L2核分类器 许 敏 ② 王士 同① 史荧中㈣ f江南大学数字媒体学院 无锡 214122) f无锡职业技术学院物联 网技术学院 无锡 214121) 摘 要：基于密度~(DifferenceOfDensity，D0D)思想，L2核分类器算法具有良好的分类性能及稀疏性，然而其 训练域与测试域独立同分布的假设限制了其应用范围。针对此不足，该文提出一种新的面向迁移学习的L2核分类 i~(TransferLearning—L2KernelClassification，TL—L2KC)，该方法既保持了L2核分类器算法良好的分类性能，又 能处理数据集缓慢变化及训练集在特定约束条件下获得导致训练集和未来测试集分布不一致的问题。基于人造数据 集和UCI真实数据集的实验表明，该文提出的TL—L，KC算法较之于经典的迁移学习分类方法，具有相当的、甚至 更好的性能。 关键词：支持向量机；迁移学习；密度差；L2核分类器 中图分类号：TP181 文献标识码：A 文章编号：1009—5896(2013)09—2059—07 DOI：10．3724／SP．J．1146．2012．01647 A NovelTransfer-learning-orientedL2KernelClassifier XuM in①② W angShi—tong① ShiYing—zhong①② (SchoolofDigitalMedia，JiangnanUniversity，Wuxi214122，China) (SchoolofInternetofThingsEngineering，WuxiInstituteofTechnology，Wuxi214121，China) Abstract：BasedontheconceptofDifferenceOfDensity(DOD)，L2KernelClassifier(L2KC)exhibitsitsgood performance．However，the assumption that the training domain and testing domain are independent and identicallydistributedseverelyconstrainsitsusefulness．Inordertoovercomethisshortcoming．anovelclassifier namedTransferLearnging—L2KernelClassification(TL—L2KC)isproposedforthechangingenvironment．The proposedclassifiercannotonlyinherittheadvantageofL2KC，butalsodealwiththeproblem thatthedistribution inconsistency betweenthetrainingand testing setswhich iscaused bytheslow changeofthedatasetsorthe trainingsetobtained with specificconstraints．Asdemonstratedbyextensiveexperimentsinsimulationdatasets andUCIbenchmarkdatasets，theproposedclassifierTL—L2KC showstheperfo