陶 洋，胡 昊，鲍灵浪

(重庆邮电大学 通信与信息工程学院，重庆 400065)

0 引言

传统分类方法一般是从训练样本中学习分类模型，然后直接将其应用于测试样本分类。当训练样本和测试样本满足独立同分布基本假设时，分类模型可以获得很好的分类效果[1]。但是，在实际应用中，由于各种因素（例如不同的视觉分辨率和照度）不可能保证训练样本始终与测试样本具有相同的分布。当它们具有不同的分布时，获得的模型通常会失效[2]。如图 2显示了不同领域下图像之间的差异。

本文重点研究无监督领域自适应学习，更符合现实场景应用。在解决源数据与目标数据分布不均的问题方面，具体分为更改数据表示形式和修改训练分类器方式。这两类方式的迁移学习单独执行的效果并不是非常理想，这是因为数据分布不同而导致的。同时在现实应用过程中的噪声会影响分类器和迁移学习算法的稳定性，导致分类器鲁棒性不佳。而且传统的迁移学习算法仅仅是从单纯的改变数据表示进行迁移进行的，而忽略了结合分类器设计，不能使得分类器参数适合领域自适应，提升迁移学习的效果。

为了克服传统领域自适应方法的弊端，提出了一种分类器联合子空间学习方法，该方法将数据表示迁移方法和分类器设计相结合。具体来说，首先分解极限学习机分类器输出层权重，设计一个灵活的极限学习机分类器。然后使得输入层具备提取共有特征的能力，在分类器的隐含层中利用子空间对齐方法将源数据和目标数据被转换为一个公共子空间，其中每个目标数据都可以通过源域中的数据线性地重构。……