文献类型：期刊文章

作　　者：张景祥[1,2] 王士同[1] 邓赵红[1] 蒋亦樟[1] 李奕[1]

机构地区：[1]江南大学数字媒体学院,无锡214122 [2]江南大学理学院,无锡214122

出　　处：《自动化学报》

基　　金：国家自然科学基金(61170122;61202311;61272210);江苏省自然科学基金(BK2012552)资助~~

年　　份：2014

卷　　号：40

期　　号：2

起止页码：236-246

语　　种：中文

收录情况：BDHX、BDHX2011、CSCD、CSCD2013_2014、EI(收录号：20141217482123)、IC、INSPEC、JST、MR、PUBMED、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：特征迁移重在领域共有特征间学习,然而其忽略领域特有特征的判别信息,使算法的适应性受到一定的局限.针对此问题,提出了一种融合异构特征的子空间迁移学习(The subspace transfer learning algorithm integrating with heterogeneous features,STL-IHF)算法.该算法将数据的特征空间看成共享和特有两个特征子空间的组合,同时基于经验风险最小框架将共享特征和特有特征共同嵌入到支持向量机(Support vector machine,SVM)的训练过程中.其在共享特征子空间上实现知识迁移的同时兼顾了领域特有的异构信息,增强了算法的适应性.模拟和真实数据集上的实验结果表明了所提方法的有效性.

关 键 词：特征空间  异构特征  迁移学习  分类  支持向量机

分 类 号：TP181]