1.一种基于Fredholm学习和对抗学习的域适应方法，其特征在于，所述方法包括：s t

S1特征提取，对源域数据X和目标域数据X用同一个特征提取器提取特征；

S2领域鉴别,在得到被提取特征后，要鉴别这些特征属于哪个域；其中，所述领域鉴别分为两个阶段：(1)Fredholm特征的获取；(2)域鉴别器进行鉴别；

S3样本分类，使用两个分类器，分类模块接收特征提取器提取到的特征，输入到全连接s t层中计算，并经过softmax后分别从源域分类器C和目标域分类器C输出分类结果；

所述步骤S2中，还包括：

S2.1 Fredholm特征的获取：

s t

可以将被提取特征f和f映射为Fredholm特征，从而抑制被提取特征的噪声信息；

关于数据x与z的Fredholm核函数公式如下：这个公式中l表示有类标数据的数量，u表示无类标数据的数量，核函数k(·,·)和kH(·,·)是不同的核函数，分别用外部核和内部核称呼；

设fi表示训练数据中第i个数据的特征，fj表示训练数据中第j个数据的特征，则第i个数据的Fredholm特征的第j个特征项的计算公式如下：把所有特征项整合到一起，就得到了第i个数据的Fredholm特征gi，将所有Fredholm特s征整理到一起并用g来表示；由于具有源域和目标域两个域的数据，为了区分，用g 表示这t是源域数据的Fredholm特征，用g来表示目标域的Fredholm特征，其中特征项所述步骤S3包括：s t

从源域分类器C和目标域分类器C 输出分类结果，用 和 表示，分类器的损失函数使用交叉熵损失；具体为以下步骤：S3.1首先，根据已标注的源域样本，在提取源域特征后，可以计算源域各个类的样本的特征中心 其中O表示类别数量，之后提取目标域样本的特征，不同域但是同一类的样本的特征应尽可能靠近，故目标域特征与哪一个源域特征中心最靠近，就认为该目标域样本属于那一类，从而赋伪类标，并根据伪类标分配结果，计算出目标域特征中心获得初始的特征中心和目标域伪类标；

S3.2在每次迭代训练时，源域根据提取的特征更新特征中心，目标域特征与之前得到的目标域特征中心进行比较，从而更新伪类标，进而更新目标域特征中心，同时，不同域而同一类的数据的特征中心尽可能接近，下列公式度量特征中心的距离：

2.根据权利要求1所述的基于Fredholm学习和对抗学习的域适应方法，其特征在于，所述步骤S2中，还包括：S2.2域鉴别器进行鉴别

在这一阶段，将获取的Fredholm特征输入到域鉴别器中，所述鉴别器使用全连接层，分s t别对g 和g 进行线性组合，最终输出鉴别结果，并用 和 表示第i个源域样本和第i个目标域样本在域鉴别器的输出。

3.根据权利要求2所述的基于Fredholm学习和对抗学习的域适应方法，其特征在于，所述步骤S2.2中，还包括：鉴别器的目标函数如下：

s t

其中，X 表示源域数据，X表示目标域数据， 和 表示第i个源域样本和第i个目标域样本在域鉴别器的输出。