面向多源数据挖掘的多阶段深度迁移学习方法

摘要

本发明公开了一种面向多源数据挖掘的多阶段深度迁移学习方法，包括以下步骤：S1：根据源数据集与目标数据集的相似性进行排序，与目标数据集相似性更大的排在后面，相似性较小的排在前面。S2：采用卷积神经网络作为预训练模型，并利用排在最前面的目标数据集中的训练样本进行训练，使其满足多分类要求；S3：依次从第一个源数据集进行迁移学习，利用前一个训练好的模型重构下一个源数据集的预训练模型，直到迁移到目标数据集；S4：通过迁移得到目标数据集的重构模型，使用目标数据集对重构模型进行训练，得到最终的分类模型。其效果是：经过多次迁移学习，充分利用多个源样本集，有效增加了模型的学习能力，提升了分类准确率和泛化能力。