知识迁移学习方法及应用简介，目录书摘

编辑推荐:

内容简介:知识迁移的目标是使机器具有和人一样的“举一反三”的能力，通过已掌握的知识来完成新的任务。知识迁移是机器突破程式化约束，具有自主学习能力的关键因素，近年来已成为人工智能的研究热点之一。从“如何迁移”“迁移什么”与“何时迁移”等角度入手，系统阐述了关联知识的表达形式、迁移的方式与手段以及实现迁移的时机等问题。然而知识迁移方法在提升机器智能性的同时，常常遇到“负迁移”的难题，即迁移后效果反而变差，为此，《知识迁移学习方法及应用》从两方面着手：对迁移任务间相似度的衡量给出一定的标准，筛除相关性差的源任务；避免样本的直接迁移，提取关联任务间的公共特征，即在特征空间实现迁移。为将知识迁移理论推广到实际领域，《知识迁移学习方法及应用》围绕文本分类、人脸识别、色彩调和、目标决策与优化规划等一系列任务展开论述，将知识迁移方法分为分类迁移、决策迁移、色彩迁移与优化迁移等4部分进行分析与研究。此外，各章节内容均涉及相关领域基础知识的介绍，能够为不同层次的读者与研究人员提供入门知识与参考信息。

作者简介:　　王雪松，女，1974年12月生，安徽省泗县人，博士，中国矿业大学信息与电气工程学院教授，博士生导师，教育部新世纪优秀人才，江苏省333高层次人才，孙越崎青年科技奖获得者。
　　1992年9月至1996年7月，在安徽理工大学电气工程系学习，获得工学学士学位。1996年9月至1999年7月，在中国矿业大学读控制理论与控制工程专业硕士研究生，获得工学硕士学位。1999年9月至2002年7月，在中国矿业大学读控制理论与控制工程专业博士研究生，获得工学博士学位。
　　2002年7月至2004年7月，在北京理工大学控制科学与工程博士后流动站做博士后。
　　研究方向为机器学习及模式识别。现为《电子学报》编委、中国机械工业教育协会自动化学科教学委员会委员等。近年来，主持国家自然科学基金项目3项；获教育部自然科学奖二等奖1项；在科学出版社出版专著4部；发表被SCI、EI收录论文100余篇。
　　
　　潘杰，男，1986年12月生，江苏省徐州人，博士，中国矿业大学信息与电气工程学院讲师。
　　2005年9月至2009年7月，在中国矿业大学信息与电气工程学院学习，获得工学学士学位。2009年9月至2011年7月，在中国矿业大学读控制理论与控制工程专业硕士研究生，获得工学硕士学位。2011年9月至2014年7月，在中国矿业大学读控制理论与控制工程专业博士研究生，获得工学博士学位。
　　研究方向为知识迁移及计算机视觉。近年来，主持江苏省自然科学基金1项；发表被SCI、EI收录论文近10篇。
　　
　　程玉虎，男，1973年8月生，安徽省淮南市人，博士，中国矿业大学信息与电气工程学院教授，博士生导师，教育部新世纪优秀人才。
　　1992年9月至1996年7月，在安徽理工大学电气工程系学习，获得工学学士学位。1999年9月至2002年7月，在中国矿业大学读控制理论与控制工程专业硕士研究生，获得工学硕士学位。2002年9月至2005年7月，在中国科学院自动化研究所读控制理论与控制工程专业博士研究生，获得工学博士学位。
　　研究方向为模式识别与智能系统。近年来，主持国家自然科学基金项目2项，省部级项目5项；研究成果获省部级科技奖励5项；发表被SCI、EI收录论文近100篇。

目录:目录
前言
第1章知识迁移概述1
1.1知识迁移的提出和发展2
1.1.1知识迁移的提出2
1.1.2知识迁移的发展3
1.2知识迁移的概念4
1.2.1知识迁移的基本概念4
1.2.2知识迁移与机器学习的关系5
1.3知识迁移的分类7
1.3.1基于实例的迁移7
1.3.2基于参数的迁移8
1.3.3基于特征的迁移9
1.3.4基于相关知识的迁移9
1.3.5基于模型的迁移10
1.4知识迁移的主要形式与应用.11
1.4.1分类迁移11
1.4.2决策迁移16
1.4.3色彩迁移20
1.4.4优化迁移27
1.5本书主要内容及安排30
1.6本章小结33
参考文献33
第2章基于局部保持投影的特征迁移40
2.1低维特征表示41
2.2基于LPP的多源特征迁移43
2.2.1系统原理图43
2.2.2迁移源筛选46
2.2.3LPP特征迁移47
2.2.4算法步骤49
2.3试验结果与分析50
2.3.1人脸特征迁移50
2.3.2不同特征迁移方法效果对比51
2.3.3单样本特征迁移精度分析53
2.4本章小结55
参考文献55
第3章加权多源TrAdaBoost算法57
3.1TrAdaBoost算法简介57
3.2加权多源TrAdaBoost算法58
3.2.1基本符号59
3.2.2TrAdaBoost算法流程59
3.3理论分析61
3.3.1源领域训练集样本损失值分析61
3.3.2目标领域训练集测试误差分析64
3.3.3时间复杂度分析65
3.4试验及其结果对比66
3.4.1双月型数据集试验66
3.4.2文本分类试验70
3.5本章小结72
参考文献72
第4章多源Tri-Training知识迁移73
4.1半监督学习简介73
4.2多源Tri-Training知识迁移74
4.2.1Tri-Training算法74
4.2.2多源Tri-Training知识迁移75
4.2.3算法结构75
4.2.4算法流程75
4.3试验结果与对比76
4.4本章小结80
参考文献81
第5章基于样本分布信息的跨领域知识迁移82
5.1领域适应学习82
5.2基于样本局部判别权重的加权迁移成分分析83
5.2.1问题描述83
5.2.2迁移成分分析84
5.2.3局部判别权重84
5.2.4加权迁移86
5.3基于样本分布信息的最大分布加权均值差异89
5.4基于MDWMD的领域适应学习91
5.4.1联合分布调整91
5.4.2投影矩阵92
5.4.3目标函数93
5.4.4算法步骤93
5.5试验结果与对比94
5.5.1试验数据集94
5.5.2试验结果及分析95
5.6本章小结98
参考文献99
第6章基于相似度衡量的决策树迁移100
6.1研究动机100
6.2决策迁移数学描述101
6.2.1领域与任务101
6.2.2决策迁移102
6.3多源决策树相似度衡量与误差分析103
6.4算法流程与仿真研究107
6.4.1算法流程107
6.4.2精度与复杂度分析107
6.4.3ROC特性分析109
6.4.4文本分类研究111
6.5本章小结112
参考文献113
第7章基于极限学习机的多源强化知识迁移114
7.1强化迁移机制114
7.2基于ELM的Q学习115
7.3基于ELM的多源迁移Q学习117
7.3.1系统原理图117
7.3.2任务空间与样本空间迁移119
7.4算法步骤与仿真分析121
7.4.1算法步骤121
7.4.2仿真分析121
7.5本章小结126
参考文献127
第8章基于主动轮廓探索的多源色彩迁移128
8.1色彩迁移128
8.2系统结构129
8.3基于主动轮廓探索的多源色彩迁移131
8.4试验结果与分析133
8.4.1试验设定133
8.4.2多源迁移效果影响因素分析134
8.4.3与局部迁移算法的对比137
8.5本章小结139
参考文献139
第9章基于纹理相似性的多源局部色彩迁移算法141
9.1局部色彩迁移141
9.2多源局部色彩迁移算法142
9.2.1爬山分割算法143
9.2.2灰度共生矩阵143
9.2.3多源局部色彩迁移算法145
9.2.4算法流程146
9.3试验结果与对比147
9.3.1单源局部迁移147
9.3.2多源局部迁移149
9.3.3灰度图色彩迁移151
9.4本章小结153
参考文献153
第10章基于图构建的多源参数迁移155
10.1参数迁移155
10.2ACO参数邻接迁移矩阵156
10.2.1ACO参数分析156
10.2.2邻接迁移矩阵157
10.3基于扩展模型图的多源参数迁移158
10.4目标任务的参数优化159
10.5仿真研究与分析160
10.5.1环境设定160
10.5.2迁移性能分析160
10.6本章小结164
参考文献164
第11章基于样本空间筛选的优化迁移166
11.1Ant-Q优化迁移166
11.2多源迁移Ant-Q算法167
11.3基于先验概率的样本空间筛选169
11.4TSP仿真研究171
11.4.1单源迁移TSP问题171
11.4.2多源迁移TSP问题175
11.5本章小结176
参考文献176
附录部分知识迁移学习算法MATLAB源程序178
程序1第2章基于局部保持投影的特征迁移MATLAB源程序178
程序2第6章基于相似度衡量的决策树迁移部分MATLAB源程序184
程序3第8章基于主动轮廓探索的色彩迁移部分MATLAB源程序192
索引199