針對(duì)傳統(tǒng)遙測(cè)數(shù)據(jù)相關(guān)性分析方法僅能發(fā)現(xiàn)相關(guān)程度知識(shí),無法提供相關(guān)結(jié)構(gòu)豐富信息的問題,提出一種神經(jīng)網(wǎng)絡(luò)與極限梯度提升（XGBoost）集成的遙測(cè)數(shù)據(jù)互相關(guān)結(jié)構(gòu)知識(shí)發(fā)現(xiàn)方法。在對(duì)遙測(cè)時(shí)間序列進(jìn)行線性、單調(diào)性、序?qū)σ恢滦浴⑸Ⅻc(diǎn)圖形狀4個(gè)維度相關(guān)結(jié)構(gòu)信息標(biāo)注的基礎(chǔ)上,將混合采樣、代價(jià)矩陣、神經(jīng)網(wǎng)絡(luò)、XGBoost算法相結(jié)合,直接對(duì)遙測(cè)數(shù)據(jù)進(jìn)行分類得到其相關(guān)結(jié)構(gòu)類別或相關(guān)關(guān)系有無的知識(shí)。采用量子衛(wèi)星任務(wù)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)的結(jié)果表明:較之于原始XGBoost模型、融合混合采樣與代價(jià)矩陣的XGBoost模型,所提方法在受試者工作特征（ROC）曲線、F1-score等性能指標(biāo)方面具有更高的分類精度,且對(duì)類別不平衡數(shù)據(jù)不敏感,是一種適用于遙測(cè)數(shù)據(jù)互相關(guān)結(jié)構(gòu)知識(shí)發(fā)現(xiàn)的有效方法。 

【文章來源】：北京航空航天大學(xué)學(xué)報(bào). 2020,46(01)北大核心EICSCD

【文章頁數(shù)】：8 頁

【文章目錄】：
1 問題模型
    1.1 遙測(cè)數(shù)據(jù)張量表示
    1.2 相關(guān)結(jié)構(gòu)分類
    1.3 相關(guān)性知識(shí)發(fā)現(xiàn)問題模型
    1.4 遙測(cè)數(shù)據(jù)的類別不平衡特點(diǎn)
2 互相關(guān)結(jié)構(gòu)知識(shí)發(fā)現(xiàn)
    2.1 混合采樣
    2.2 代價(jià)矩陣
    2.3 集成模型
        2.3.1 XGBoost模型算法
        2.3.2 神經(jīng)網(wǎng)絡(luò)模型
        2.3.3 決策集成模型
3 評(píng)估指標(biāo)
    3.1 F1-score
    3.2 受試者工作特征曲線及曲線下面積
4 實(shí)驗(yàn)分析與結(jié)果
    4.1 數(shù)據(jù)準(zhǔn)備
    4.2 模型參數(shù)設(shè)計(jì)
    4.3 仿真實(shí)驗(yàn)對(duì)比分析
    4.4 混合采樣代價(jià)矩陣集成模型測(cè)試集結(jié)果
5 結(jié)論



本文編號(hào)：3166299