4 結 語
為了解決通用行為模型在麵對新用戶時的不適用問題，本節提出了TrELM算法實現遷移學習。該方法是一種基於參數遷移的方法，是通過對ELM的目標函數進行修改，引入一個可以表示兩域差異的遷移學習量，實現ELM模型的遷移學習。利用TrELM算法實現通用模型的遷移，首先利用ELM分類器構建通用行為識別模型，可以得到源域中識別模型的輸出權值向量βS；之後通過對新用戶的少量行為樣本進行學習，修改通用模型的輸出向量為βt，實現對通用模型的修改，完成具有遷移學習功能的行為識別模型。實驗在真實數據集上進行，結果表明，該模型可以有效提高新用戶的行為識別正確率。
參考文獻
[1]張爍，段富.基於智能移動平台的情景感知技術研究[J].計算機應用與軟件，2013，30（8）： 166-169.
[2]徐川龍，顧勤龍，姚明海.一種基於三維加速度傳感器的人體行為識別方法[J].計算機係統應用，2013，22（6）：132-135.
[3] Dai Wenyuan，Yang Qiang，Xue Guirong，et al.Boosting for transfer learning[Z]. Proceedings of the 24th international conference on Machine learning ACM International Conference Proceeding Series， 2007：193-200.
[4] Dai W，Chen Y，Xue G，et al.Translated Learning：Transfer Learning across Different Feature Spaces[Z].In Advances in Neural Information Processing Systems，2008.
[5] Lawrence N D，Platt J C.Learning to Learn with the Informative Vector Machine[Z].In Proceedings of the International Conference in Machine Learning，2004.
[6] Bonilla E V， Chai K M A， Williams C K I. [Z].Nips，2008.
[7] Schwaighofer A，Tresp V，Yu K.Learning Gaussian Process Kernels via Hierarchical Bayes[J].In Advances in Neural Information Processing Systems， 2004： 1209-1216.
[8] Evgeniou T，Pontil M.Regularized multi-task learning[J].In Proceedings of 17th SIGKDD Conf[J]. on Knowledge Discovery and Data Mining，2004，28（1）：109-117.
[9] Mihalkova L，Huynh T，Mooney R J. Mapping and revising Markov logic networks for transfer learning[C].National Conference on Artificial Intelligence-volume：AAAI Press，2007，608--614.
[10] Davis J， Domingos P. Deep Transfer via Second-Order Markov Logic[J]. Proceedings of the Aaai Workshop on Transfer Learning for Complex Tasks， 2009.