本文選題：主動學(xué)習(xí) + 類別不平衡學(xué)習(xí)　； 參考：《計算機科學(xué)》2017年12期

【摘要】：針對在樣本類別分布不平衡場景下,現(xiàn)有的主動學(xué)習(xí)算法普遍失效及訓(xùn)練時間過長等問題,提出采用建模速度更快的極限學(xué)習(xí)機,即ELM(Extreme Learning Machine)作為主動學(xué)習(xí)的基分類器,并以加權(quán)ELM算法用于主動學(xué)習(xí)過程的平衡控制,進而在理論上推導(dǎo)了其在線學(xué)習(xí)的過程,大幅降低了主動學(xué)習(xí)的時間開銷,并將最終的混合算法命名為AOW-ELM算法。通過12個基準(zhǔn)的二類不平衡數(shù)據(jù)集驗證了該算法的有效性與可行性。
[Abstract]:In order to solve the problems of general failure of active learning algorithms and long training time in the scenario of unbalanced distribution of sample categories, ELM (extreme Learning Machine) is proposed as the basis classifier for active learning. The weighted ELM algorithm is used to control the balance of active learning process, and the online learning process is deduced theoretically, which greatly reduces the time cost of active learning, and the final hybrid algorithm is named AOW-ELM algorithm. The validity and feasibility of the algorithm are verified by 12 datum unbalance data sets.
【作者單位】： 江蘇科技大學(xué)計算機科學(xué)與工程學(xué)院;
【基金】：國家自然科學(xué)基金(61305058) 江蘇省自然科學(xué)基金(BK20130471) 中國博士后特別資助計劃項目(2015T80481) 中國博士后科學(xué)基金(2013M540404) 江蘇省博士后基金(1401037B)資助
【分類號】：TP181

【相似文獻】

相關(guān)碩士學(xué)位論文 前2條

1 張曉丹;WSN中基于改進粒子群優(yōu)化算法的分簇拓?fù)渌惴ㄑ芯縖D];鄭州大學(xué);2017年

2 賈yN愷;基于深度特征學(xué)習(xí)的目標(biāo)檢測與跟蹤算法研究[D];西安科技大學(xué);2017年

，

本文編號：2058676