检索结果-内蒙古大学图书馆

结合过采样技术和锯齿成形函数的微弱信号检测

引用

电子学报 2008年第4期36卷 756-759页

作者：李刚张丽君林凌何峰天津大学生物医学信息检测与处理实验室天津300072

为充分利用现有模数转换器的速度来提高检测微弱信号的能力和简化电路、降低成本,本文采用叠加成形函数的方法,利用过采样技术实现对微弱信号检测.分析结果表明,用常规中分辨率ADC直接采样就可达到与现有高分辨率ADC直接采样才有的高精度.

关键词：锯齿成形函数过采样高精度微弱信号检测高分辨率

来源：评论

学校读者我要写书评

暂无评论

基于SVC和过采样的类别非均衡农业高光谱数据分类

引用

农业机械学报 2019年第6期50卷 257-264页

作者：袁培森翟肇裕任守纲顾兴健徐焕良南京农业大学信息科学技术学院南京210095 马德里理工大学技术工程和电信系统高级学院马德里28040 国家信息农业工程技术中心南京210095

系统研究了农业高光谱数据中少数类的分类质量问题。为了提升少数类的分类质量,提出采用过采样SMOTE技术增加少数类新样本,同时研究了SMOTE技术中新样本生成策略和少数类采样倍率对高光谱数据中少数类分类结果的影响,以及不平衡数据集... 详细信息

系统研究了农业高光谱数据中少数类的分类质量问题。为了提升少数类的分类质量,提出采用过采样SMOTE技术增加少数类新样本,同时研究了SMOTE技术中新样本生成策略和少数类采样倍率对高光谱数据中少数类分类结果的影响,以及不平衡数据集上分类器与模型的匹配度。在新的采样数据集上采用多类分类SVC技术对少数类分类,提升了非均衡高光谱数据集中少数类的分类质量。在真实数据集上进行了试验验证,并对不同的分类方法和系统参数进行了试验对比和分析,结果表明,本文方法能够显著地提高非均衡高光谱数据中少数类分类效果,平均分类精度不小于0.82,平均召回率提升幅度为11.11%~26.15%,F1提升幅度为5.81%~40.85%。

关键词：高光谱数据分类支持向量分类过采样非均衡数据 SMOTE

来源：评论

学校读者我要写书评

暂无评论

学习困难与泛化能力感知的软件缺陷预测过采样方法

引用

计算机集成制造系统 2024年第8期30卷 2663-2671页

作者：范洪旗严远亭张以文张燕平安徽大学计算智能与信号处理教育部重点实验室安徽合肥230601 安徽大学计算机科学与技术学院安徽合肥230601

软件缺陷数据的类别分布不平衡特点给软件缺陷预测任务带了巨大的挑战。合成过采样是解决这一问题最为主流的技术,但如何设计合适的采样策略避免因引入异常样本而导致的过度泛化风险,始终是软件缺陷预测过采样方法面临的难点。针对这一... 详细信息

软件缺陷数据的类别分布不平衡特点给软件缺陷预测任务带了巨大的挑战。合成过采样是解决这一问题最为主流的技术,但如何设计合适的采样策略避免因引入异常样本而导致的过度泛化风险,始终是软件缺陷预测过采样方法面临的难点。针对这一问题,本文提出一种结合样本学习困难程度和合成泛化影响的过采样方法(GDOS)。具体来说,GDOS方法通过样本的局部先验概率和潜在合成方向上的样本分布信息衡量样本的安全系数与泛化系数,并以此度量样本的选择权重。通过抑制潜在过泛化区域的样本合成概率,给予相对安全的近邻合成方向更高的选择概率,为高质量样本的合成提供保障。在26个PROMISE数据集上的实验表明,GDOS在MCC、pd、pf、F-measure等指标上较于经典的采样方法和专门提出的软件缺陷预测采样方法均取得了更优的性能表现。

关键词：软件缺陷预测类别不平衡过采样过度泛化

来源：评论

学校读者我要写书评

暂无评论

基于KNN和深度高斯混合模型的边界过采样方法

引用

数据分析与知识发现 2023年第5期7卷 116-122页

作者：张海宾肖涵易灿灿袁锐武汉科技大学冶金装备及其控制教育部重点实验室武汉430081 武汉科技大学机械传动与制造工程湖北省重点实验室武汉430081 武汉科技大学精密制造研究院武汉430081

【目的】针对数据不平衡导致的分类器偏向问题,提出一种基于K-最近邻(KNN)算法和深度高斯混合模型(DGMM)的边界过采样方法。【方法】首先,采用KNN算法获得训练集中的边界少数类样本;其次,构建该区域少数类样本的DGMM,并反向应用DGMM生... 详细信息

【目的】针对数据不平衡导致的分类器偏向问题,提出一种基于K-最近邻(KNN)算法和深度高斯混合模型(DGMM)的边界过采样方法。【方法】首先,采用KNN算法获得训练集中的边界少数类样本;其次,构建该区域少数类样本的DGMM,并反向应用DGMM生成符合训练集中边界少数类样本分布特征的过采样数据;最后,采用3σ准则剔除噪声样本,循环执行直到生成的样本不存在异常值。【结果】所提方法获得的AUC和G均值的最大提升幅度分别为8.62%和12.99%,对应的平均提升幅度分别为3.51%和4.93%。【局限】DGMM的参数优化方法需进一步完善。【结论】所提方法可以更好地处理数据不平衡问题。

关键词：数据不平衡过采样深度高斯混合模型

来源：评论

学校读者我要写书评

暂无评论

考虑过采样器与分类器参数优化的变压器故障诊断策略

引用

电力自动化设备 2023年第1期43卷 209-217页

作者：栗磊王廷涛赫嘉楠牛健梁亚波苗世洪国网宁夏电力有限公司电力科学研究院宁夏银川750002 华中科技大学电气与电子工程学院湖北武汉430074

变压器故障样本的不平衡性使得故障诊断分类准确率低,且容易弱化少数类故障样本的分类效果。对此,采用过采样方法实现故障样本的均衡化,并提出一种考虑过采样器与分类器参数优化的变压器故障诊断策略。首先,搭建变压器故障诊断模型的整... 详细信息

变压器故障样本的不平衡性使得故障诊断分类准确率低,且容易弱化少数类故障样本的分类效果。对此,采用过采样方法实现故障样本的均衡化,并提出一种考虑过采样器与分类器参数优化的变压器故障诊断策略。首先,搭建变压器故障诊断模型的整体结构,阐述故障诊断的实现过程。在此基础上,提出诊断模型中过采样器、分类器、参数优化器3种主要环节的算法实现:针对过采样器,提出一种基于近邻分布特性的改进合成少数过采样算法实现故障样本的均衡化;针对分类器,采用层次式有向无环图支持向量机算法实现故障样本的多标签分类;针对参数优化器,提出一种双层参数优化方法,上层采用层次搜索算法对过采样倍率寻优,下层采用改进哈里斯鹰算法对支持向量机参数寻优。最后,对所提策略进行算例分析,结果表明,所提策略能够合成质量更高的少数类故障样本,实现故障样本的准确分类。

关键词：电力变压器故障诊断不平衡样本过采样基于近邻分布特性的改进合成少数过采样层次搜索-改进哈里斯鹰算法

来源：评论

学校读者我要写书评

暂无评论

基于流形嵌入过采样的非平衡数据分类方法

引用

中国矿业大学学报 2018年第6期47卷 1325-1333页

作者：程健杨凌凯崔宁郭一楠中国矿业大学信息与控制工程学院江苏徐州221116

工业监测数据中正常与异常状态数据一般存在非平衡性,而传统的过采样非平衡数据处理方法往往在解决非线性、高维含噪的非平衡问题时不能获得满意的模式分类效果.本文利用流形学习的非线性降维,提出一种流形嵌入过采样方法,为有机结合流... 详细信息

工业监测数据中正常与异常状态数据一般存在非平衡性,而传统的过采样非平衡数据处理方法往往在解决非线性、高维含噪的非平衡问题时不能获得满意的模式分类效果.本文利用流形学习的非线性降维,提出一种流形嵌入过采样方法,为有机结合流形学习与过采样的非平衡数据模式分类方法提供了统一框架.研究结果表明:该方法采用过采样平衡数据在流形空间的低维嵌入数据直接完成模式分类,可以减小流形嵌入空间到原始数据空间反映射的计算代价和模式分类成本.另外,流形学习可以有效保持原始数据结构特性,在流形嵌入空间的过采样可以实现更符合原始数据特性的非线性插值.面向TE过程和矿山微震2种具有不同规模和特性的非平衡工业监测数据集,F1指标分别平均提升了21.94%和37.34%,AUC指标分别提升了37.85%和10.64%,从而验证了所提方法在解决较大数据规模的非平衡模式分类问题时,具有稳定良好的分类效果.

关键词：流形学习过采样非平衡数据模式分类 TE过程矿山微震

来源：评论

学校读者我要写书评

暂无评论

输出过采样闭环系统辨识方法中最优过采样率的选择

引用

西安交通大学学报 2004年第12期38卷 1211-1215页

作者：胡怀中孙连明刘文江西安交通大学电子与信息工程学院西安710049

提出了一种基于输出过采样技术的线性离散时间闭环系统辨识方法 ,通过对输出端施加过采样 ,将原闭环系统模型转化为过采样模型 .对于输出端白噪声、有色噪声干扰 ,分别利用最小二乘辨识算法和误差预报算法辨识出过采样模型 ,进而计算出... 详细信息

提出了一种基于输出过采样技术的线性离散时间闭环系统辨识方法 ,通过对输出端施加过采样 ,将原闭环系统模型转化为过采样模型 .对于输出端白噪声、有色噪声干扰 ,分别利用最小二乘辨识算法和误差预报算法辨识出过采样模型 ,进而计算出原闭环系统的模型参数 .辨识结果中模型参数的估计误差服从均值为0的正态分布 ,方差由过采样率决定 ,据此推导出了使参数估计误差最小化的最优过采样率的计算方法 .该方法实现简单 ,运算量小 ,估计精度高 .仿真实验表明 ,当信噪比大于 15dB时 ,该方法的估计精度可达98% ;当过采样率为 15～ 2 0时。

关键词：系统辨识闭环过采样估计精度过采样率

来源：评论

学校读者我要写书评

暂无评论

基于过采样技术的生物电信号检测

引用

电子学报 2008年第7期36卷 1465-1467页

作者：李刚张丽君林凌何峰天津大学生物医学信息检测与处理实验室天津300072

为充分发挥中等分辨率模数转换器的速度潜力和简化生物电放大器的设计、大幅度降低放大器的成本,本文采用过采样技术对生物电信号进行检测.以人体心电检测为例,使用三种采样方法进行实验.结果表明,过采样得到的心电图形有较好的精度和... 详细信息

为充分发挥中等分辨率模数转换器的速度潜力和简化生物电放大器的设计、大幅度降低放大器的成本,本文采用过采样技术对生物电信号进行检测.以人体心电检测为例,使用三种采样方法进行实验.结果表明,过采样得到的心电图形有较好的精度和信噪比.该方法可广泛应用于各种生物电信号的检测.

关键词：过采样生物电检测模数转换分辨率

来源：评论

学校读者我要写书评

暂无评论

聚类边界过采样不平衡数据分类方法

引用

浙江大学学报（工学版） 2013年第6期47卷 944-950页

作者：楼晓俊孙雨轩刘海涛中国科学院上海微系统与信息技术研究所上海200050 无锡物联网产业研究院江苏无锡214135

针对传统SMOTE过采样方法在生成合成样本的过程中存在的盲目性,以及对噪声敏感且容易出现过拟合现象的问题,提出一种改进的聚类边界样本过采样(CB-SMOTE)方法,通过引入"聚类一致性系数"找到少数类样本的边界,利用边界样本的... 详细信息

针对传统SMOTE过采样方法在生成合成样本的过程中存在的盲目性,以及对噪声敏感且容易出现过拟合现象的问题,提出一种改进的聚类边界样本过采样(CB-SMOTE)方法,通过引入"聚类一致性系数"找到少数类样本的边界,利用边界样本的最近邻密度来剔除噪声点和确定合成样本的数量,对SMOTE方法的新样本合成规则进行了优化.该方法是一种指导性的过采样方法,合成样本更加有利于分类器的学习.通过实验对比6种不同方法在UCI公共数据集上的分类性能,结果表明:CB-SMOTE方法对少数类样本和多数类样本都具有较高的分类准确率,且对过采样倍数的变化具有更高的稳定性.

关键词：不平衡数据过采样聚类边界最近邻密度合成样本

来源：评论

学校读者我要写书评

暂无评论

面向不平衡图像数据的对抗自编码器过采样算法

引用

电子与信息学报 2024年第11期46卷 4208-4218页

作者：职为梅常智卢俊华耿正乾郑州大学计算机与人工智能学院郑州450001

许多适用于低维数据的传统不平衡学习算法在图像数据上的效果并不理想。基于生成对抗网络(GAN)的过采样算法虽然可以生成高质量图像,但在类不平衡情况下容易产生模式崩溃问题。基于自编码器(AE)的过采样算法容易训练,但生成的图像质量... 详细信息

许多适用于低维数据的传统不平衡学习算法在图像数据上的效果并不理想。基于生成对抗网络(GAN)的过采样算法虽然可以生成高质量图像,但在类不平衡情况下容易产生模式崩溃问题。基于自编码器(AE)的过采样算法容易训练,但生成的图像质量较低。为进一步提高过采样算法在不平衡图像中生成样本的质量和训练的稳定性,该文基于生成对抗网络和自编码器的思想提出一种融合自编码器和生成对抗网络的过采样算法(BAEGAN)。首先在自编码器中引入一个条件嵌入层,使用预训练的条件自编码器初始化GAN以稳定模型训练;然后改进判别器的输出结构,引入一种融合焦点损失和梯度惩罚的损失函数以减轻类不平衡的影响;最后从潜在向量的分布映射中使用合成少数类过采样技术(SMOTE)来生成高质量的图像。在4个图像数据集上的实验结果表明该算法在生成图像质量和过采样后的分类性能上优于具有辅助分类器的条件生成对抗网络(ACGAN)、平衡生成对抗网络(BAGAN)等过采样算法,能有效解决图像数据中的类不平衡问题。

关键词：不平衡图像数据过采样生成对抗网络对抗自编码器合成少数类过采样技术

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：