基于支持向量機與細胞自動機的遷移學習研究.pdf

1、遷移學習適用于源域數(shù)據(jù)與目標域數(shù)據(jù)分布不相同的問題，更具有實際應用價值。遷移學習方法主要有基于實例選擇的遷移學習、基于特征表示的遷移學習、基于相關性知識的遷移學習，以及基于參數(shù)的遷移學習。
　　本文在傳統(tǒng)的支持向量機上進行了改進，給出了基于不同懲罰因子的支持向量機方法。該方法不同于傳統(tǒng)的支持向量機為每個樣本設置相同的懲罰因子，而是通過為不同的樣本設置不同的懲罰因子，使得訓練出的模型具有更強的泛化能力。通過使用粒子群算法，為源域樣本

2、搜索合適的懲罰因子。源域樣本的懲罰因子能反映出源域樣本對目標域數(shù)據(jù)的遷移能力，因此改進后的支持向量機具有遷移學習的能力。
　　多吸引細胞自動機與分類回歸樹相結合，具有非常好的模式空間劃分能力。同時，基于分類回歸樹的多吸引細胞自動機分類算法也有一些缺陷。特別是當偽用完域比特數(shù)據(jù)比較大時，就會出現(xiàn)明顯的過擬合現(xiàn)象。本文對基于分類回歸樹的多吸引細胞自動機分類算法作了改進，通過動態(tài)自適應地調整偽用完域比特數(shù)，解決了過擬合問題。同時，針對多

3、吸引細胞自動機分類算法所使用的離散數(shù)據(jù)的特點，我們給出了一種更適合多吸引細胞自動機分類算法的模式距離度量方法，該方法充分考慮了離散化后的樣本在不同位上取值的統(tǒng)計規(guī)律。
　　本文最后研究了基于實例選擇的遷移學習方法在多吸引細胞自動機分類回歸樹上的應用，并分析了其存在的問題。針對目標域少量帶標簽樣本不足以反映整個目標域數(shù)據(jù)的分布情況，我們給出了一種改進的實例選擇方法。該方法充分利用了多吸引細胞自動機分類回歸樹對模式空間良好的劃分能力，