论文部分内容阅读
针对机器学习算法在类不平衡的数据集上容易受到选择性偏差的影响,提出了一种基于极限学习机(ELM)的迁移学习算法。该算法旨在利用大量已标签的源领域数据与只有少量样本的目标域数据之间的相关性,通过计算源域与目标域中的输出权值来实现两域间的迁移学习,从而提升迁移学习对非平衡样本的学习能力。实验结果表明,该方法对普林斯顿三维模型库数据具有良好的分类效果及不错的稳定性。