科研之友
微信
新浪微博
Facebook
分享链接
摘要
传统机器学习方法在识别领域或建模分析时其性能往往依赖于数据的丰富程度,训练数据或待分析数据量的多少决定最终模型的性能,通常数据量越多所构模型的性能越佳。但对于一些特殊领域或新兴领域,初期所采集的数据量常显不足,此时传统机器学习方法不再有效。针对此问题,近年来一种新的学习模式迁移学习方法被提出。该方法可通过对历史相关数据的总结获取历史知识,利用知识和当前的数据进行识别或建模从而得到更可靠的模型。该学习过程与人类的认知过程类似,其开创了一种新的学习模式。介绍和总结近年来在迁移学习框架下提升传统模糊识别方法(主要模糊聚类技术)和模糊智能建模方法(主要模糊系统建模技术)性能所做的一系列工作及尚存在的一些问题,以期为相关领域的研究人员提供有价值的参考。
- 单位
