买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉杭州电子科技大学申请的专利结合类内特征对齐与柔性超参度量学习的迁移学习方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117056771B 。

龙图腾网通过国家知识产权局官网在2025-09-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310923660.6，技术领域涉及：G06F18/24；该发明授权结合类内特征对齐与柔性超参度量学习的迁移学习方法是由吴宏浩;高发荣;张启忠设计研发完成，并于2023-07-26向国家知识产权局提交的专利申请。

本结合类内特征对齐与柔性超参度量学习的迁移学习方法在说明书摘要公布了：本发明公开了一种结合类内特征对齐与柔性超参度量学习的迁移学习方法，包括以下步骤：结合源域多样性与目标域不确定性原则，对未标记的样本进行选择性标记，减少需要标注的样本数量；将特征散度挖掘扩展到类内水平，并对每个类的散度进行测量，所要求的特征具有良好的类内相关性和类别区分度；将模型距离度量的损失函数中的固定超参数替换为连续可变的超参数，并与目标域的样本几何形状相结合，形成一个混合损失结构，使其模型损失优化能够根据不同任务的变化而动态调整；形成混合损失函数及目标域分类器，对目标域样本进行分类。本发明能够通过增加类内特征对齐以及对边缘超参进行动态改进，来识别数据的潜在结构信息和提升目标样本的识别精度。

本发明授权结合类内特征对齐与柔性超参度量学习的迁移学习方法在权利要求书中公布了：1.一种结合类内特征对齐与柔性超参度量学习的迁移学习方法，其特征在于，包括以下步骤： 步骤1基于CDELM算法构建迁移学习无监督域自适应分类模型，所述CDELM框架的目标函数包含3个部分：1在源域样本上的预测损失；2源域和目标域的投影最大均值偏差距离损失；3目标域样本的流形正则化项，其中源域样本和目标域样本均为图像； 步骤2目标域样本选择及初始预测标签生成： 选取迁移学习无监督域自适应公开数据集中有标签源域数据和无标签目标域数据，并获得原始高维空间的源域中的源域样本XS和目标域中的目标样本XT，其中源域用DS表示，XSi是源域第i个样本，ySi是源域第i个标签，目标域用Dt表示，XTj是目标域第j个样本； 首先通过多核最大均值偏差函数减小源域数据特征与目标域数据的特征之间的距离，使迁移学习无监督域自适应分类模型将源域和目标域的特征向量正交投影变为域不变投影矩阵p，进而得到域不变特征FS＝pXS和FT＝pXT； 将源域样本、源域标签、目标域样本及域不变特征作为输入，使用在源域上训练的弱分类器得到并更新当前模型对目标域数据的预测标签最后，进行内部迭代，直到收敛，为外部迭代的下一个循环生成目标域预测标签的改进标签； 步骤3类内类间特征对齐及预测标签迭代更新： 首先分别对于源域与目标域分别映射到低维空间的特征表示FSi,FSj，最小化同类样本特征的两两距离来减小特征的类内散度DS； 其次，通过最大均值偏差的距离度量函数计算目标域样本中各个类的距离损失，得到目标域样本类内距离损失项表示为DT； 使迁移学习无监督域自适应公开数据集中相同类别间的样本投影距离减小，不同类别间的样本投影距离增大，进而增加所学特征的类别区分度将生成的预测标签、目标域样本类内距离损失项DT及目标域样本类别区分度作为输入，使用域分类器迭代更新目标域预测标签步骤4柔性超参度量学习及预测标签迭代更新： 首先遍历最大均值偏差、最大均值核偏差、CORAL的距离度量损失函数计算各个类别的样本距离损失，并确定距离最小的距离损失函数，计算出不同的边缘超参数，迭代更新原距离损失计算中的边缘超参数，通过最大均值偏差度量源域与目标域样本的真实分布与它估计的分布之间的距离获得边缘概率损失，然后减小两个领域边缘概率损失投影中心的距离，获得边缘分布投影距离损失函数其中fxSi＝hxSiβ,fxTj＝hxTjβ，fxSi,fxTj分别表示源域、目标域分类器，hxSi,hxTj为源域、目标域样本随机数据，β为隐含层中的边缘超参数，ns,nt分别为源域、目标域对应的样本数量； 同理，通过最大均值偏差度量源域与目标域样本和标签真实分布与它估计的分布之间的距离获得条件概率损失，然后减小两个领域条件概率损失投影中心的距离，获得条件分布投影距离损失函数其中，将数据和标签之间的分布投影到超平面获得条件分布投影距离损失，将其损失降为最小即可最大化拉近数据和标签的分布，ySi和y°Tj分别表示源域样本xSi，目标域样本xTj的真实标签和预标签，表示源域数据属于第k类的样本个数，表示目标域样本的预标签为第k类的样本个数，nc为样本的类别数； 将边缘分布投影距离损失函数及条件分布投影距离损失函数作为输入，使用域分类器迭代更新目标域预测标签步骤5混合损失函数及目标域最终预测标签： 首先，模型训练得到的超平面为域分类器，将目标域样本投影至超平面，其二范数即为样本至域分类器的有向距离，预测的标签采用独热编码，通过计算目标域样本到域分类器的有向距离，得出目标域样本离源域样本的远近程度，赋予目标域样本更大的权重； 其次，通过在模型的正则项中加入和流形相关的项，由于拥有大权重的目标域样本标签预测结果会更为准确，因此将大权重样本的独热标签的前两项赋值给小权重的样本，完成标签的自然传递，将这两部分统一至混合损失函数作为输入，使用域分类器得到目标域最终预测标签

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市钱塘区白杨街道2号大街1158号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。