針對普通機器學(xué)習(xí)算法與單源域遷移學(xué)習(xí)在應(yīng)用方面的局限性,利用多源域遷移學(xué)習(xí)算法解決跨被試情感識別中正確率低的問題。為提高遷移學(xué)習(xí)的計算效率并避免負(fù)遷移現(xiàn)象的產(chǎn)生,分別從樣本和特征兩個方面對遷移數(shù)據(jù)進行優(yōu)化。用多源域選擇算法篩選出最優(yōu)源域集合,用遷移特征選擇算法得到最優(yōu)特征集合,訓(xùn)練出多個遷移學(xué)習(xí)模型并對之集成。在數(shù)據(jù)集SEED上對該算法進行驗證,驗證結(jié)果表明,該模型相比其它情感識別模型具有更優(yōu)的跨被試情感識別能力。 

【文章來源】：計算機工程與設(shè)計. 2020,41(07)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

情感識別模型總體框架

領(lǐng)域間整體數(shù)據(jù)差異在于兩者概率分布的不同導(dǎo)致數(shù)據(jù)分布的不同，常用的概率分布距離度量函數(shù)有相對熵[9]、布雷格曼散度[10]和最大均值差異（maximum mean discrepancy,MMD)[11]。前兩種方法計算通常需要估計其分布密度，而最大均值差異可以用不同領(lǐng)域在無限維核空間中的均值差異來近似，計算相對簡單且效率高，因此該方法的使用最為廣泛。本文采用MMD將源域和目標(biāo)域數(shù)據(jù)嵌入到共享的可再生希爾伯特空間中，在該空間中兩者間的均值差異代表相似度大小。MMD計算值越大代表領(lǐng)域間相似性越大。第m個源域Dms和目標(biāo)域Dt之間的MMD值可定義如下

為了進一步降低后續(xù)遷移學(xué)習(xí)的計算成本、提高識別精度，本文使用遷移特征選擇算法篩選出適宜遷移的特征子集，該算法由兩個階段組成，其計算流程如圖3所示。首先計算源域中每個特征對應(yīng)的Fisher Score[13]值，F(xiàn)isher Score屬于過濾型特征選擇算法，具有計算速度快適用性強的優(yōu)點。該算法通過度量樣本中類間散度與類內(nèi)散度的關(guān)系，判斷特征與類別標(biāo)簽間的相關(guān)性。本文根據(jù)Fisher Score準(zhǔn)則選取具有鑒別力的特征集合。Fisher Score的計算公式如下

【參考文獻】：
博士論文
[1]遷移學(xué)習(xí)問題與方法研究[D]. 龍明盛.清華大學(xué) 2014



本文編號：3361986