公共文化服务平台

共 5 条记录，以下是 1-5

全选清除导出

排序方式：

基于不均衡样本重构的加权在线贯序极限学习机被引量：2: 2015年; 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; 关键词：极限学习机主曲线过采样不均衡数据

一种基于特征子集区分度优化的分组特征选择算法被引量：3: 2015年; 针对现有特征选择算法大多对特征之间的结构化效应考虑不充分、可能导致所选择出的特征集存在冗余、进而影响算法效率和代表特征精确度的缺点,提出一种基于特征子集区分度优化的分组特征选择算法.该算法基于相关性强的特征其系数距离也较近的假设,首先引入分组标识矩阵,构建基于距离的组内特征相关性和组间特征区分度的度量标准,将分组特征选择问题转换为0-1多目标优化问题;其次,引入离散型粒子群算法,优化分组标识矩阵,使得组间区分度和组内相关性同时尽可能大,最终自适应确定最优分组结构.在UCI标准数据集上的对比实验结果表明,本文所提算法可以很好地识别特征中蕴含的分组结构,与现有代表性算法相比,该算法具有更高的分类预测精度.; 毛文涛徐文涛薛天宇何玲

面向贯序不均衡分类的粒度极限学习机被引量：33: 2016年; 针对现有算法对贯序到达的密度型不均衡数据分类效果不佳的缺陷,提出一种基于粒度划分的在线贯序极限学习机算法.离线阶段,根据数据分布特性对多类样本进行粒度划分,用粒心代替原有样本,建立初始模型;在线阶段,根据更新后的分布特性对多类边界数据进行二次粒度划分,替换原有边界数据,并动态更新网络权值.理论分析证明该算法存在信息损失上界.实验结果表明,该算法能有效提高贯序不均衡数据上的整体泛化性能和分类效率.; 毛文涛田杨阳王金婉何玲; 关键词：极限学习机粒度划分

面向贯序不均衡数据的混合采样极限学习机被引量：3: 2015年; 针对现有机器学习算法难以有效提高贯序不均衡数据分类问题中少类样本分类精度的问题,提出一种基于混合采样策略的在线贯序极限学习机。该算法可在提高少类样本分类精度的前提下,减少多类样本的分类精度损失,主要包括离线和在线两个阶段:离线阶段采用均衡采样策略,利用主曲线分别构建多类和少类样本的可信区域,在不改变样本分布特性的前提下,利用可信区域扩充少类样本和削减多类样本,进而得到均衡的离线样本集,建立初始模型;在线阶段仅对贯序到达的多类数据进行欠采样,根据样本重要度挑选最具价值的多类样本,进而动态更新网络权值。通过理论分析证明所提算法在理论上存在损失信息上界。采用UCI标准数据集和实际的澳门空气污染预报数据进行仿真实验,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)算法相比,所提算法对少类样本的预测精度更高,且数值稳定性良好。; 毛文涛王金婉何玲袁培燕; 关键词：极限学习机主曲线

基于主曲线的不均衡在线贯序极限学习机研究: 2016年; 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; 关键词：不均衡数据主曲线

全选清除导出

共1页<1>

何玲