|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 聚类边界过采样不平衡数据分类方法显示文摘针对传统SMOTE过采样方法在生成合成样本的过程中存在的盲目性,以及对噪声敏感且容易出现过拟合现象的问题,提出一种改进的聚类边界样本过采样(CB-SMOTE)方法,通过引入'聚类一致性系数'找到少数类样本的边界,利用边界样本的最近邻密度来剔除噪声点和确定合成样本的数量,对SMOTE方法的新样本合成规则进行了优化.该方法是一种指导性的过采样方法,合成样本更加有利于分类器的学习.通过实验对比6种不同方法在UCI公共数据集上的分类性能,结果表明:CB-SMOTE方法对少数类样本和多数类样本都具有较高的分类准确率,且对过采样倍数的变化具有更高的稳定性. | 楼晓俊 孙雨轩 刘海涛 | 2013 | 浙江大学学报(工学版)2013，47，6： | 30 |
| 2 | 基于偏置经验特征映射的电路故障诊断方法显示文摘基于支持向量机的模拟电路故障诊断方法已经成为故障诊断领域的研究热点。然而,在该方法实用化过程中,故障样本集中存在的不平衡分布问题严重影响了该方法的整体诊断性能。针对该问题,提出一种基于偏置经验特征映射的故障诊断方法,该方法将故障样本集映射至经验特征空间,并在该特征空间中使用偏置判别分析准则作为核函数优化的目标函数,最大化所有正常样本同故障样本中心的距离,从而提高故障诊断方法的整体诊断能力。标准数据集以及真实电路上的实验效果表明,提出的方法可以大大缓解由于样本不平衡造成的支持向量机诊断效果下降的问题,从而提高了基于支持向量机的电路故障诊断法方法的适用范围。 | 杨智明 俞洋 乔立岩 王钢 | 2013 | 仪器仪表学报2013，34，7： | 4 |
| 3 | 基于不均衡样本重构的加权在线贯序极限学习机显示文摘针对现有学习算法难以有效提高不均衡在线贯序数据中少类样本分类精度的问题,提出一种基于不均衡样本重构的加权在线贯序极限学习机。该算法从提取在线贯序数据的分布特性入手,主要包括离线和在线两个阶段:离线阶段主要采用主曲线构建少类样本的可信区域,并通过对该区域内样本进行过采样,来构建符合样本分布趋势的均衡样本集,进而建立初始模型;而在线阶段则对贯序到达的数据根据训练误差赋予各样本相应权重,同时动态更新网络权值。采用UCI标准数据集和澳门实测气象数据进行实验对比,结果表明,与现有在线贯序极限学习机(OS-ELM)、极限学习机(ELM)和元认知在线贯序极限学习机(MCOS-ELM)相比,所提算法对少类样本的识别能力更高,且所提算法的模型训练时间与其他三种算法相差不大。结果表明在不影响算法复杂度的情况下,所提算法能有效提高少类样本的分类精度。 | 王金婉 毛文涛 何玲 王礼云 | 2015 | 计算机应用2015，35，6： | 2 |
| 4 | A Classification Method of Imbalanced Data Base on PSO Algorithm显示文摘In order to improve the performance of the resampling algorithm in imbalanced data learning and the optimal combination of the weight coefficients of the base classifiers in the ensemble classification algorithm,a new algorithm based on particle swarm optimization(PSO)is proposed.In traditional sampling method,sampling rate is often set artificially.This would make the final classification can’t get a optimal solution.By using the particle swarm optimization algorithm,the sampling rate of the boundary samples and the safety samples are optimized to obtain the optimal over sampling rate self-adaptivly,the weekness of setting sampling rate of traditional method would be overcome. | Junru Lu Chunkai Zhang Fengxing Shi | 2016 | 国际计算机前沿大会会议论文集2016，，2： | 0 |
| 5 | 基于主曲线的不均衡在线贯序极限学习机研究显示文摘针对现有机器学习算法难以有效提高不均衡在线贯序数据中少类样本分类精度的问题,提出了一种基于主曲线的不均衡在线贯序极限学习机。该方法的核心思路是根据在线贯序数据的分布特性,均衡各类别样本,以减少少类样本合成过程中的盲目性,主要包括离线和在线两个阶段。离线阶段采用主曲线分别建立各类别样本的分布模型,利用少类样本合成过采样算法对少类样本过采样,并根据各样本点到对应主曲线的投影距离分别为其设定相应大小的隶属度,最后根据隶属区间削减多类和少类虚拟样本,进而建立初始模型。在线阶段对贯序到达的少类样本过采样,并根据隶属区间均衡贯序样本,进而动态更新网络权值。通过理论分析证明了所提算法在理论上存在损失信息上界。采用UCI标准数据集和实际澳门气象数据进行仿真实验,结果表明,与现有典型算法相比,该算法对少类样本的预测精度更高,数值稳定性更好。 | 王金婉 毛文涛 王礼云 何玲 | 2016 | 计算机科学2016，43，3： | 0 |
您所在的机构暂未开通此部分的功能，请联系管理员