摘要：經(jīng)典的最小二乘分類器(least square classifier,LSC)由于其簡潔、有效性已早被廣泛應(yīng)用于圖像識別、語音識別等領(lǐng)域.然而,利用原始數(shù)據(jù)特征構(gòu)建的最小二乘分類器,其泛化性能往往較差.為解決上述問題,提出了基于深度堆疊泛化和遷移學(xué)習(xí)機(jī)制的深度遷移最小二乘分類器(deep transfer least square classifier,DTLSC).首先,基于堆疊泛化原理,利用LSC模型作為基本堆疊單元構(gòu)建深度堆疊網(wǎng)絡(luò),避免了傳統(tǒng)深度網(wǎng)絡(luò)中需要求解非凸優(yōu)化的問題,提升模型分類性能的同時(shí)提高了網(wǎng)絡(luò)計(jì)算效率.其次,基于遷移學(xué)習(xí)機(jī)制,利用前層單元中的模型知識輔助當(dāng)前層的模型構(gòu)建,盡可能保持了層間模型的一致性,提升了模型泛化性能.在此基礎(chǔ)上,引入自適應(yīng)遷移策略,有選擇地利用前層模型知識,緩解了利用前層不相關(guān)模型知識而導(dǎo)致的負(fù)遷移效應(yīng).在人造數(shù)據(jù)集及真實(shí)數(shù)據(jù)集上,實(shí)驗(yàn)結(jié)果驗(yàn)證了所提DTLSC算法的有效性.
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社
