分類是人工智能的一項(xiàng)重要任務(wù),對信息的識別與認(rèn)知起著至關(guān)重要的作用。本課題的核心目標(biāo)是要挖掘訓(xùn)練樣本中重要的數(shù)據(jù)信息,構(gòu)建合理訓(xùn)練模型,從而解決數(shù)據(jù)不均衡分布的分類問題。不均衡學(xué)習(xí)的常見應(yīng)用課題包含有罕見疾病的預(yù)測分析、故障檢測以及網(wǎng)絡(luò)攻擊識別等社會問題。因此,解決數(shù)據(jù)樣本不均衡分布的分類問題具有非常重要的意義和應(yīng)用價(jià)值。本文提出的算法是基于層級式分類的總體框架,并在單層分類架構(gòu)中融入目標(biāo)類的選擇、樣本權(quán)重更新、基分類器的訓(xùn)練、基于贏者通吃的單層最終分類器選擇、刪除機(jī)制這五個(gè)核心功能模塊,來有效解決數(shù)據(jù)樣本不均衡分布的分類問題。本文的創(chuàng)新貢獻(xiàn)如下:1、提出層級式分類的總體框架。本文通過設(shè)計(jì)層級式分類框架以及單層分類架構(gòu)中融入的五個(gè)核心功能模塊,提高當(dāng)前層目標(biāo)類(分類效果最好的類)樣本的識別精度,以及減少目標(biāo)類與非目標(biāo)類樣本的混淆度,使得每類樣本的識別精度都得到提高,數(shù)據(jù)不均衡分布的分類問題能夠得到有效地解決。2、提出目標(biāo)類的選擇算法。目標(biāo)類的選擇是基于G-means的評價(jià)指標(biāo),選擇單層架構(gòu)中正確精度與召回精度最高的類作為目標(biāo)類。目標(biāo)類的設(shè)計(jì),是后續(xù)訓(xùn)練階段以及決策階段的基礎(chǔ),是單層分類...

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖4-1人工神經(jīng)網(wǎng)絡(luò)迭代次數(shù)和均方誤差關(guān)系如圖

第四章基于PSO-ELM模型的TSV缺陷檢測方法研究29經(jīng)網(wǎng)絡(luò)、決策樹思想代表隨機(jī)森林算法、偏向核算法的支持向量機(jī)、聚類算法K近鄰和原始極限學(xué)習(xí)機(jī)等應(yīng)用在本文的樣本數(shù)據(jù)分類中。特別的，降維算法PCA和PLS等并不適合本文數(shù)據(jù)，因?yàn)楸疚臉颖緮?shù)據(jù)本身維數(shù)不高，無需刻意進(jìn)行降維處理�！�....

本文編號：3965662