典型文献
基于AdaBoost集成加权宽度学习系统的不平衡数据分类
文献摘要：
宽度学习系统(BLS)是一种浅层的神经网络结构,具有快速训练、增量学习等特征,在处理类别不平衡数据时提取到的少数类别特征较少,导致识别结果不理想.提出一种基于AdaBoost集成加权宽度学习系统(AdaBoost-WBLS)的不平衡数据分类方法,通过迭代实现权重的动态更新,获得更符合数据特征的权重,提升集成模型对少数类的识别能力.基于KKT条件,对加权宽度学习系统的加权优化过程进行推导,验证了对角权重对BLS模型误差的抑制作用.在AdaBoost-WBLS模型集成初始化时,采用基于类别信息的初始化权值策略,使模型具有更高的集成训练效率.在集成权重更新时,不同数据类别采用不同的正则化更新方式,保留数据的类内特征并增加类间区分度.在实验过程中,对AdaBoost-WBLS模型的不同参数进行寻优,得到相关参数在有限范围内的最优取值.实验结果表明,AdaBoost-WBLS模型相比AdaBoost和BLS类相关模型能有效改善少数类别特征的提取能力,并且在Satimage数据集上相比加权过采样的深度自编码器模型的G-mean高出4.36个百分点,明显提升了不平衡数据的识别能力.
文献关键词：
宽度学习系统;AdaBoost模型;不平衡数据;加权宽度学习系统;集成学习
中图分类号：
作者姓名：
王萌铎;续欣莹;阎高伟;史丽娟;郭磊
作者机构：
太原理工大学 电气与动力工程学院,太原 030024
文献出处：
引用格式：
[1]王萌铎;续欣莹;阎高伟;史丽娟;郭磊-.基于AdaBoost集成加权宽度学习系统的不平衡数据分类)[J].计算机工程,2022(04):99-105,112
A类：
加权宽度学习系统,WBLS,Satimage
B类：
AdaBoost,不平衡数据分类,神经网络结构,快速训练,增量学习,类别不平衡数据,取到,少数类,类别特征,分类方法,动态更新,数据特征,集成模型,识别能力,KKT,加权优化,对角,模型误差,模型集成,初始化,类别信息,权值,训练效率,权重更新,数据类别,正则化,更新方式,内特,区分度,同参数,相关模型,特征的提取,过采样,深度自编码器,mean,百分点,集成学习
AB值：
0.270692
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
