基于极限学习机的分类算法的研究和应用

发布时间：2024-04-27 20:17

　　分类是人工智能的一项重要任务,对信息的识别与认知起着至关重要的作用。本课题的核心目标是要挖掘训练样本中重要的数据信息,构建合理训练模型,从而解决数据不均衡分布的分类问题。不均衡学习的常见应用课题包含有罕见疾病的预测分析、故障检测以及网络攻击识别等社会问题。因此,解决数据样本不均衡分布的分类问题具有非常重要的意义和应用价值。本文提出的算法是基于层级式分类的总体框架,并在单层分类架构中融入目标类的选择、样本权重更新、基分类器的训练、基于赢者通吃的单层最终分类器选择、删除机制这五个核心功能模块,来有效解决数据样本不均衡分布的分类问题。本文的创新贡献如下:1、提出层级式分类的总体框架。本文通过设计层级式分类框架以及单层分类架构中融入的五个核心功能模块,提高当前层目标类(分类效果最好的类)样本的识别精度,以及减少目标类与非目标类样本的混淆度,使得每类样本的识别精度都得到提高,数据不均衡分布的分类问题能够得到有效地解决。2、提出目标类的选择算法。目标类的选择是基于G-means的评价指标,选择单层架构中正确精度与召回精度最高的类作为目标类。目标类的设计,是后续训练阶段以及决策阶段的基础,是单层分类...

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

图4-1人工神经网络迭代次数和均方误差关系如图

第四章基于PSO-ELM模型的TSV缺陷检测方法研究29经网络、决策树思想代表随机森林算法、偏向核算法的支持向量机、聚类算法K近邻和原始极限学习机等应用在本文的样本数据分类中。特别的，降维算法PCA和PLS等并不适合本文数据，因为本文样本数据本身维数不高，无需刻意进行降维处理。§....

本文编号：3965662