1、遷移學(xué)習(xí)適用于源域數(shù)據(jù)與目標(biāo)域數(shù)據(jù)分布不相同的問題，更具有實際應(yīng)用價值。遷移學(xué)習(xí)方法主要有基于實例選擇的遷移學(xué)習(xí)、基于特征表示的遷移學(xué)習(xí)、基于相關(guān)性知識的遷移學(xué)習(xí)，以及基于參數(shù)的遷移學(xué)習(xí)。
　　本文在傳統(tǒng)的支持向量機(jī)上進(jìn)行了改進(jìn)，給出了基于不同懲罰因子的支持向量機(jī)方法。該方法不同于傳統(tǒng)的支持向量機(jī)為每個樣本設(shè)置相同的懲罰因子，而是通過為不同的樣本設(shè)置不同的懲罰因子，使得訓(xùn)練出的模型具有更強(qiáng)的泛化能力。通過使用粒子群算法，為源域樣本

2、搜索合適的懲罰因子。源域樣本的懲罰因子能反映出源域樣本對目標(biāo)域數(shù)據(jù)的遷移能力，因此改進(jìn)后的支持向量機(jī)具有遷移學(xué)習(xí)的能力。
　　多吸引細(xì)胞自動機(jī)與分類回歸樹相結(jié)合，具有非常好的模式空間劃分能力。同時，基于分類回歸樹的多吸引細(xì)胞自動機(jī)分類算法也有一些缺陷。特別是當(dāng)偽用完域比特數(shù)據(jù)比較大時，就會出現(xiàn)明顯的過擬合現(xiàn)象。本文對基于分類回歸樹的多吸引細(xì)胞自動機(jī)分類算法作了改進(jìn)，通過動態(tài)自適應(yīng)地調(diào)整偽用完域比特數(shù)，解決了過擬合問題。同時，針對多

3、吸引細(xì)胞自動機(jī)分類算法所使用的離散數(shù)據(jù)的特點，我們給出了一種更適合多吸引細(xì)胞自動機(jī)分類算法的模式距離度量方法，該方法充分考慮了離散化后的樣本在不同位上取值的統(tǒng)計規(guī)律。
　　本文最后研究了基于實例選擇的遷移學(xué)習(xí)方法在多吸引細(xì)胞自動機(jī)分類回歸樹上的應(yīng)用，并分析了其存在的問題。針對目標(biāo)域少量帶標(biāo)簽樣本不足以反映整個目標(biāo)域數(shù)據(jù)的分布情況，我們給出了一種改進(jìn)的實例選擇方法。該方法充分利用了多吸引細(xì)胞自動機(jī)分類回歸樹對模式空間良好的劃分能力，