1.一种基于类相关矩阵特征值分解的域自适应方法，其特征在于，包括如下步骤，s s t步骤S1、设定一个源域Ds＝(X，Y)和目标域Dt＝(X)；使用OFFICE‑31数据集；

步骤S2、基于GANs利用对抗性训练同时训练特征提取器F和域分类器D，最后通过标签分类器G对样本进行分类；

步骤S3、用Resnet50作为特征提取器，将源域样本xs和目标域样本xt输入Resnet50提取出的特征分别记为fs和ft，fs和ft再输入标签分类器G得到gs和gt；将整个网络公式化为具有两个竞争误差项的极小极大优化问题，第一，E(G)是最小化标签分类器G上的源域分类风险；第二，E(D,G)在D上最小化，但在特征提取器F和标签分类器G上最大化，则，在式中，L(·)代表交叉熵损失函数，总的优化目标为：minGE(G)‑λE(D，G)，

minDE(D，G)；

通过联合变量h＝(f,g)在标签分类器的预测g上调节域鉴别器D；

步骤S4、目标域上的分类器输出为 其中B是目标数据的批量大

小，|C|是源类的数量，F是特征提取器，G是标签分类器；第i个实例属于第j类的概率Yij为其中Zij是分类器层的logit输出，T是用于概率缩放的温度超参数，由于Yij揭示了第i个实例和第j类之间的关系，将两个类第j类和第j′类之间的类相关性初步定义为其中，y·j′为每个批次中的B个示例来自第j类的概率，对主对角线上的值进行加权操作，并基于信息熵对类相关性进行加权操作，则，其中，Wii为量化第i个示例对类混淆建模的重要性的概率，W是对角矩阵；所以加权后的类相关矩阵为； 然后对加权后的类相关矩阵进行特征值分解，得到特征值的和，以特征值的和的均值作为标签分类器损失；

还包括步骤S4、对标签分类器G加以限制，将目标域上的分类器输出表示为其中B是目标数据的批量大小，|C|是源类的数量，F是特征提取器，G是标签分类器；使用温度参数，第i个实例属于第j类的概率Yij为其中，Zij为分类器层的logit输出，T为用于概率缩放的温度超参数；由于Yij揭示了第i个实例和第j类之间的关系；

将两个类第j类和第j′类之间的类相关性初步定义为

y·j′为每个批次中的B个示例来自第j类的概率；

对主对角线上的值进行加权操作，则

其中，熵是对不确定性的度量,

其中Wii是量化第i个示例对类混淆建模的重要性的概率，W是相应的对角矩阵，所以加权后的类相关矩阵为： 对加权后的类相关矩阵进行特征值分解，得到特征值的和，以特征值的和的均值作为标签分类器损失。