發(fā)布時間：2021-08-01 20:30

　　數(shù)據(jù)分類是機器學(xué)習(xí)和數(shù)據(jù)挖掘中獲取數(shù)據(jù)中的信息和價值的一種重要手段,傳統(tǒng)的數(shù)據(jù)分類算法通常運用于數(shù)據(jù)概率分布平衡的數(shù)據(jù)集,但是在實際生活和工業(yè)生產(chǎn)中,很多數(shù)據(jù)集中正負樣本的分布往往是不平衡的,而少數(shù)類樣本數(shù)據(jù)又具有更重要的信息,少數(shù)類樣本分類錯誤可能需要付出很大的代價,如醫(yī)療診斷、信用卡詐騙檢測等。在這種情況下,以總體的分類準確率為目標的傳統(tǒng)分類算法并不適用于解決這一類的問題。針對不平衡數(shù)據(jù)分類問題中的難點,本文提出了一種基于深度神經(jīng)網(wǎng)絡(luò)集成的不平衡數(shù)據(jù)分類方法,利用深度神經(jīng)網(wǎng)絡(luò)提取復(fù)雜問題樣本中的潛在特征,基于進化算法提高深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果,通過生成對抗模型改善數(shù)據(jù)樣本的不平衡狀況,最后通過深度神經(jīng)網(wǎng)絡(luò)集成來提高綜合分類性能。本文的主要成果和創(chuàng)新點如下:（1）提出了一個基于進化深度神經(jīng)網(wǎng)絡(luò)的不平衡數(shù)據(jù)分類模型,通過深度自編碼器（Deep Autoencoder,DAE）以及深度玻爾茲曼機（Deep Boltzmann Machine,DBM）提取不平衡數(shù)據(jù)中的潛在特征,通過水波優(yōu)化算法（Water Wave Optimization,WWO）對深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)進行優(yōu)化,實... 

【文章來源】：浙江工業(yè)大學(xué)浙江省

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究的背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 不平衡數(shù)據(jù)預(yù)處理
        1.2.2 不平衡數(shù)據(jù)分類的傳統(tǒng)方法
        1.2.3 基于神經(jīng)網(wǎng)絡(luò)集成的數(shù)據(jù)分類方法
        1.2.4 基于深度神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類方法
    1.3 本文的主要研究工作
    1.4 本章小結(jié)
第二章 論文相關(guān)基礎(chǔ)知識
    2.1 神經(jīng)網(wǎng)絡(luò)
    2.2 生成式對抗網(wǎng)絡(luò)
    2.3 神經(jīng)網(wǎng)絡(luò)集成
    2.4 水波優(yōu)化算法
    2.5 本章小結(jié)
第三章 基于進化深度神經(jīng)網(wǎng)絡(luò)的不平衡數(shù)據(jù)分類
    3.1 淺層神經(jīng)網(wǎng)絡(luò)在不平衡數(shù)據(jù)分布中的缺陷
    3.2 基于深度神經(jīng)網(wǎng)絡(luò)的不平衡數(shù)據(jù)分類
    3.3 深度神經(jīng)網(wǎng)絡(luò)的進化訓(xùn)練算法
        3.3.1 基于進化算法的深度神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化方法
        3.3.2 基于進化算法的深度神經(jīng)網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)優(yōu)化方法
    3.4 計算實驗
    3.5 本章小結(jié)
第四章 基于生成對抗網(wǎng)絡(luò)的不平衡數(shù)據(jù)分類及其應(yīng)用
    4.1 深度對抗去噪自編碼器
    4.2 計算實驗
    4.3 在電信詐騙檢測中的應(yīng)用
    4.4 本章小結(jié)
第五章 基于進化神經(jīng)網(wǎng)絡(luò)集成的不平衡數(shù)據(jù)分類
    5.1 基于深度神經(jīng)網(wǎng)絡(luò)集成的不平衡數(shù)據(jù)分類
    5.2 基于進化算法的深度神經(jīng)網(wǎng)絡(luò)集成的優(yōu)化方法
    5.3 計算實驗
    5.4 本章小結(jié)
第六章 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻
致謝
作者簡介
    1 作者簡歷
    2 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
    3 參與的科研項目及獲獎情況
學(xué)位論文數(shù)據(jù)集


【參考文獻】：
期刊論文
[1]基于多尺度匹配濾波和集成學(xué)習(xí)的眼底圖像微脈瘤檢測[J]. 彭英輝,張東波,沈奔.  計算機應(yīng)用. 2013(02)
[2]不平衡數(shù)據(jù)分類的混合算法[J]. 韓敏,朱新榮.  控制理論與應(yīng)用. 2011(10)
[3]不平衡類數(shù)據(jù)挖掘研究綜述[J]. 翟云,楊炳儒,曲武.  計算機科學(xué). 2010(10)
[4]不平衡分類問題研究綜述[J]. 葉志飛,文益民,呂寶糧.  智能系統(tǒng)學(xué)報. 2009(02)
[5]基于最近鄰規(guī)則的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本選擇方法[J]. 郝紅衛(wèi),蔣蓉蓉.  自動化學(xué)報. 2007(12)

博士論文
[1]選擇性神經(jīng)網(wǎng)絡(luò)集成算法研究[D]. 傅強.浙江大學(xué) 2007

碩士論文
[1]基于卷積網(wǎng)絡(luò)集成的面部表情識別方法[D]. 劉曠.浙江大學(xué) 2016



本文編號：3316198