技术特征：
1.一种可能性分布距离度量下鲁棒的域适应视觉分类方法，其特征在于，包括：步骤(1)：获取源域和目标域；步骤(2)：根据可能性聚类假设，将源域与综合域进行匹配，得到距离度量；其中，所述综合域为源域和目标域的集合；步骤(3)：通过在所述距离度量中加入模糊熵来提高距离度量的匹配贡献度对源域噪声数据的鲁棒性；步骤(4)：通过拉普拉斯正则化对加入模糊熵后的距离度量进行优化，得到分类器；步骤(5)：利用目标域对所述分类器进行训练，得到训练好的分类器；步骤(6)：通过训练好的分类器对图像进行分类。2.根据权利要求1所述的可能性分布距离度量下鲁棒的域适应视觉分类方法，其特征在于，所述步骤(2)包括：步骤(21)：计算基于可能性聚类假设的领域核空间分布差，将源域的每个实例与综合域均值进行距离度量；步骤(22)：根据距离度量来衡量源域各实例与综合域均值的相关度。3.根据权利要求2所述的可能性分布距离度量下鲁棒的域适应视觉分类方法，其特征在于，所述步骤(21)中将源域的每个实例与综合域均值进行距离度量时，通过加入匹配贡献度函数λ对源域噪声数据进行弱化处理，公式为：其中，ω
p
(,)为可能性领域适应分布的距离度量，x
s
s.t.0≤λ
i
≤1为源域数据集，x
t
为目标域数据集，μ
s
为源域的均值，μ
t
为目标域的均值，φ()为希尔伯特变换，h为rkhs核空间，n＝n+m，n为源域数据点个数，m为目标域数据点个数，x
i
为综合域中第i个数据样本，λ
i
为x
s,i
距综合域均值的匹配贡献度值，x
s,i
为源域第i个样本，b为λ
i
的权重指数，|| ||为范数算子。4.根据权利要求3所述的可能性分布距离度量下鲁棒的域适应视觉分类方法，其特征在于，所述步骤(3)具体为：在所述步骤(21)中将源域的每个样本与综合域均值进行距离度量时，还包括将模糊熵加入公式来提高距离度量的匹配贡献度对源域噪声数据的鲁棒性，公式为：其中，为模糊熵，β为平衡参数。5.根据权利要求4所述的可能性分布距离度量下鲁棒的域适应视觉分类方法，其特征在于，所述步骤(4)中的通过拉普拉斯正则化对加入模糊熵后的距离度量进行优化，公式
为：其中，其中，c为目标域类别数，当c＝0时，则和分别为整个源域和整个目标域的均值，当c∈[1,2,...,c]时，则和分别为源域和目标域中对应类别的均值；x
t,j
为目标域实例，为x
i
属于综合域中第c个类别的匹配贡献度值，w＝{w
s
,w
t
}，w
s
为源域原有的模型，w
t
为目标域的未知模型，α、η、ρ都为目标函数中各项所对应的平衡参数，y＝[y
s
；y
t
]∈i
n
×
c
，y
t
为目标域标签矩阵，y
s
为源域标签矩阵，l为拉普拉斯图矩阵，w为决策函数。
技术总结
本发明涉及一种可能性分布距离度量下鲁棒的域适应视觉分类方法，包括：步骤(1)：获取源域和目标域；步骤(2)：根据可能性聚类假设，将源域与综合域进行匹配，得到距离度量；其中，所述综合域为源域和目标域的集合；步骤(3)：通过在所述距离度量中加入模糊熵来提高距离度量的匹配贡献度对源域噪声数据的鲁棒性；步骤(4)：通过拉普拉斯正则化对加入模糊熵后的距离度量进行优化，得到分类器；步骤(5)：利用目标域对所述分类器进行训练，得到训练好的分类器；步骤(6)：通过训练好的分类器对图像进行分类。本发明的方法具有显著的鲁棒性和分类精确度。度。度。
技术研发人员：陶剑文 但雨芳 潘婕
受保护的技术使用者：宁波职业技术学院
技术研发日：2021.12.09
技术公布日：2022/5/17