技術(shù)特征：

1.一種基于流形正則和范數(shù)正則的領(lǐng)域遷移極限學(xué)習(xí)機(jī)方法，其特征在于，包括以下步驟：

步驟1：設(shè)源領(lǐng)域數(shù)據(jù)為D_S＝{X_S}，其中源領(lǐng)域有標(biāo)簽數(shù)據(jù)T_S是相應(yīng)的類別標(biāo)簽，源領(lǐng)域無(wú)標(biāo)簽數(shù)據(jù)目標(biāo)領(lǐng)域數(shù)據(jù)為D_T＝{X_T}，其中目標(biāo)領(lǐng)域有標(biāo)簽數(shù)據(jù)T_T是相應(yīng)的類別標(biāo)簽，目標(biāo)領(lǐng)域無(wú)標(biāo)簽數(shù)據(jù)把第i個(gè)數(shù)據(jù)樣本表示成x_i＝[x_i1,x_i2,…,x_in]^T，n是每個(gè)數(shù)據(jù)的特征維度；

步驟2：隨機(jī)產(chǎn)生極限學(xué)習(xí)機(jī)的隱層節(jié)點(diǎn)參數(shù)(a_i,b_i),i＝1,2,...,L，其中a_i＝[a_i1,a_i2,…,a_in]^T是連接第i個(gè)隱層節(jié)點(diǎn)和輸入神經(jīng)元的輸入權(quán)重，n是輸入神經(jīng)元的個(gè)數(shù)，即等于數(shù)據(jù)的特征維度，b_i是第i個(gè)隱層節(jié)點(diǎn)的偏置，L是隱層節(jié)點(diǎn)個(gè)數(shù)；

步驟3：對(duì)于N個(gè)輸入樣本X＝{x₁,x₂,...,x_N}，計(jì)算相應(yīng)的隱層輸出矩陣：

其中表示激活函數(shù)；同樣的地對(duì)X_S，X_T和分別計(jì)算它們相對(duì)應(yīng)的隱層輸出矩陣，分別用H_S，和H_T來(lái)表示；

步驟4：結(jié)合半監(jiān)督學(xué)習(xí)、遷移學(xué)習(xí)，構(gòu)建出如下優(yōu)化模型：

其中||β||_p是用來(lái)約束權(quán)值空間的范數(shù)正則子，取三種范數(shù)正則子：L₁范數(shù)||β||₁，L₂范數(shù)和包絡(luò)范數(shù)其介于L₁范數(shù)和L₂范數(shù)之間；C_S，C_T，λ_S和λ_T都是懲罰參數(shù)，L_S和L_T分別是源領(lǐng)域數(shù)據(jù)和目標(biāo)領(lǐng)域數(shù)據(jù)的拉普拉斯算子，表示矩陣的跡；

步驟5：設(shè)定上述步驟4中的4個(gè)懲罰參數(shù)；

步驟6：根據(jù)源領(lǐng)域所有數(shù)據(jù)X_S和目標(biāo)領(lǐng)域所有數(shù)據(jù)X_T分別計(jì)算L_S和L_T；

步驟7：根據(jù)步驟4所述優(yōu)化模型，求解最優(yōu)的連接隱層節(jié)點(diǎn)和輸出神經(jīng)元的輸出權(quán)值β；

步驟8：根據(jù)步驟7得到的不同輸出權(quán)值β，相應(yīng)形成不同的基于流形正則項(xiàng)和Lp范數(shù)正則子的領(lǐng)域遷移極限學(xué)習(xí)機(jī)模型，然后根據(jù)訓(xùn)練誤差的大小取其中訓(xùn)練誤差最小的一個(gè)模型并將其應(yīng)用到后續(xù)新數(shù)據(jù)的預(yù)測(cè)問(wèn)題中。

2.根據(jù)權(quán)利要求1所述的領(lǐng)域遷移極限學(xué)習(xí)機(jī)算法，其特征在于，步驟3中的所述表示激活函數(shù)，包括sigmoid函數(shù)，sin函數(shù)，hardlim函數(shù)，radbas函數(shù)，tridbas函數(shù)。

3.根據(jù)權(quán)利要求1所述的領(lǐng)域遷移極限學(xué)習(xí)機(jī)算法，其特征在于，所述步驟7中，不同的范數(shù)正則子采用不同的求解方式，具體如下：

(1)當(dāng)采用L₁范數(shù)||β||₁時(shí)，令

$F=\frac{C_S}{2}\left|\right|T_S-H_S\mathrm{\β}|{|}^2+\frac{C_T}{2}||T_T-H_T\mathrm{\β}|{|}^2+\frac{{\mathrm{\λ}}_S}{2}Tr\left({\mathrm{\β}}^T{{\tilde{H}}_S}^T{L}_S{\tilde{H}}_S\mathrm{\β}\right)+\frac{{\mathrm{\λ}}_T}{2}Tr\left({\mathrm{\β}}^T{{\tilde{H}}_T}^T{L}_T{\tilde{H}}_T\mathrm{\β}\right),$

則

隨機(jī)初始化輸出權(quán)值β，然后使用前向后向分裂算法得：

其中k是迭代次數(shù)；

令此時(shí)利用迭代軟閾值收縮算法得：

(2)當(dāng)采用L₂范數(shù)時(shí)，利用拉格朗日乘子求解可得：

令中樣本的個(gè)數(shù)為N_S，

$H_T{(I+K)}^{-1}{H}_S^T=A,H_T{(I+K)}^{-1}{H}_T^T+I/C_T=B,$

$H_S{(I+K)}^{-1}{H}_T^T=E,H_S{(I+K)}^{-1}{H}_S^T+I/C_S=D,$

當(dāng)N_S＜L時(shí)，

當(dāng)N_S＞L時(shí)，

$\mathrm{\β}={(I+K+C_S{H}_S^T{H}_S+C_T{H}_T^T{H}_T)}^{-1}(C_S{H}_S^T{T}_S+C_T{H}_T^T{T}_T)$

(3)當(dāng)采用包絡(luò)范數(shù)時(shí)，令

$F=\frac{C_S}{2}\left|\right|T_S-H_S\mathrm{\β}|{|}^2+\frac{C_T}{2}||T_T-H_T\mathrm{\β}|{|}^2+\frac{{\mathrm{\λ}}_S}{2}Tr\left({\mathrm{\β}}^T{{\tilde{H}}_S}^T{L}_S{\tilde{H}}_S\mathrm{\β}\right)+\frac{{\mathrm{\λ}}_T}{2}Tr\left({\mathrm{\β}}^T{{\tilde{H}}_T}^T{L}_T{\tilde{H}}_T\mathrm{\β}\right),$

則

隨機(jī)初始化輸出權(quán)值β，然后利用前向后向分裂算法得：

k是迭代次數(shù)；

令利用迭代軟閾值收縮算法得：