检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于动态集成选择算法的信用卡审批异常检测

合肥学院学报（综合版） 2023年第5期40卷 86-94页

作者：程建华庞梦兰安徽大学大数据与统计学院合肥230601

针对数据集标签缺失且类别分布极不平衡的信用卡欺诈检测问题,提出一种基于动态集成选择算法的信用卡审批异常检测模型DES-HBOS(Dynamic Ensemble Selection based on Histogram-based Outlier Score)。首先,利用无监督异常检测算法构... 详细信息

针对数据集标签缺失且类别分布极不平衡的信用卡欺诈检测问题,提出一种基于动态集成选择算法的信用卡审批异常检测模型DES-HBOS(Dynamic Ensemble Selection based on Histogram-based Outlier Score)。首先,利用无监督异常检测算法构造训练集客户的伪标签;然后,确定待测客户能力区域,根据Pearson相关系数评估分类器性能;最后,选择一组较优的分类器对待测客户进行集成。在真实信用卡客户数据集上的实验表明,与其他6种经典异常检测模型相比,DES-HBOS的Recall更高,能将更多欺诈客户识别出来。在4个不平衡数据集上进行对比实验,实验结果表明与HBOS相比,DES-HBOS检测异常能力更强。

关键词：异常检测动态集成选择 DES-HBOS 信用卡欺诈识别

动态集成选择算法及其在时间序列预测中的应用研究

在线全文

学校读者我要写书评

暂无评论

动态集成选择算法及其在时间序列预测中的应用研究

作者：姚长生南京航空航天大学

学位级别：硕士

集成选择技术可以有效地解决集成学习存在的高时间复杂度和空间复杂度的缺点。然而每个预测器都有自己独特的能力,某一个预测器可能在一些样本上表现的不够好,但是在其他样本上可能会有非常优异的表现,所以盲目地低估或者否认一个预测... 详细信息

集成选择技术可以有效地解决集成学习存在的高时间复杂度和空间复杂度的缺点。然而每个预测器都有自己独特的能力,某一个预测器可能在一些样本上表现的不够好,但是在其他样本上可能会有非常优异的表现,所以盲目地低估或者否认一个预测器的能力是非常不合理的。因此,为每一个测试样本选出最佳的预测器集合正是动态集成选择技术所要实现的工作。同时动态集成选择技术被证明适用于解决时间序列预测问题。本文提出了六种可以应用于时间序列预测的动态集成选择算法,分别是DES-PALR、DES-CP-Var、DES-CP-Clustering、DVS-PvOv、DVS-NsAs以及DVS-OpOp。DES-PALR算法是基于预测器在测试样本的局部区域的预测精度来实现动态集成选择技术;DES-CP-Clustering算法和DES-CP-Var算法是基于预测器对测试样本的预测一致性程度来实现动态集成选择算法,它们的一致性程度分别由聚类算法、预测值方差计算而来;DVS-PvOv算法是基于测试样本的预测值与训练样本的目标值之间的相似性来动态选取验证集实现动态集成选择算法;DVS-NsAs算法是基于新构造的样本与训练样本之间的相似性来动态选取验证集实现动态集成选择算法;DVS-OpOp算法是基于测试样本的输出文件与训练样本的输出文件之间的相似性来动态选取验证集实现动态集成选择算法。动态集成选择算法是从预测器集成池中选择最有竞争力的预测器参与对测试样本的决策,选择预测器的前提需要定义一个标准来衡量预测器的性能。但是只使用一个标准不足以充分衡量一个预测器的全部特性。本文提出了将一个基于元学习的动态集成选择算法(META-DES-TSP)应用到时间序列预测问题上,初始集成系统由极限学习机与层次式极限学习机构成。基于四种不同的衡量标准,提出四种用于训练元预测器的元特征集合,使用元预测器判决初始集成系统中基模型的去留。此外,针对不同的时间序列数据集,元特征集合的大小由遗传算法动态调整。尽管极限学习机与层次式极限学习机已经具有比较优越算法性能,但是这两个算法仍然无法自动确定合适的隐节点个数。本文提出了ELM-SO和H-ELM-SO模型,这两者不仅保留了各自原模型的自身的优点,而且可以自动剪枝各隐藏层合适的隐节点以获得优异的表现。

关键词：动态集成选择 DES-PALR DES-CP-Clustering DES-CP-Var DVS-PvOv DVS-NsAs DVS-OpOp 时间序列预测元学习元预测器 META-DES-TSP

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于聚类的动态集成选择算法

计算机应用与软件 2014年第8期31卷 317-323页

作者：李瑞陕西财经职业技术学院信息工程系陕西咸阳712000

近年来,由于机器学习能够很好地解决恶意软件检测问题,因而受到了广泛的关注。为了进一步提高恶意软件的检测性能,将机器学习中的动态集成选择应用到恶意软件检测中。为了满足检测性能和保证检测的实时性需求,在动态集成选择的基础上,... 详细信息

近年来,由于机器学习能够很好地解决恶意软件检测问题,因而受到了广泛的关注。为了进一步提高恶意软件的检测性能,将机器学习中的动态集成选择应用到恶意软件检测中。为了满足检测性能和保证检测的实时性需求,在动态集成选择的基础上,提出一种基于聚类的动态集成选择算法CDES(Cluster based Dynamic Ensemble Selection strategy)。该方法首先通过聚类得到多个聚类中心,然后为每一个聚类中心选择一组分类器组成集成分类器。当检测未知样本时,首先找到与该样本最近的聚类中心,那么用于分类该聚类中心的集成分类器就是当前测试样本的集成分类器。最终的检测结果也由这一组分类器通过投票得到。实验中,将所提算法与其他相关算法作比较,实验结果表明所提算法明显优于其他算法。同时,所提算法运行时间远远低于其他算法,可以满足系统的实时性要求。

关键词：恶意软件集成学习动态集成选择聚类

在线全文

学校读者我要写书评

暂无评论

一种局部最优型动态集成选择算法

小型微型计算机系统 2011年第5期32卷 1005-1011页

作者：张亮黄曙光石昭祥胡荣贵电子工程学院602室安徽合肥230037

提出一种建立在局部最优基础上的动态集成选择算法,并从理论上对算法进行了分析.该算法首先在多个局部特征空间上构造最优集成,然后使用动态集成选择技术对未知样本进行识别.局部空间上的集成构造问题被转换为一个单目标优化问题,并使... 详细信息

提出一种建立在局部最优基础上的动态集成选择算法,并从理论上对算法进行了分析.该算法首先在多个局部特征空间上构造最优集成,然后使用动态集成选择技术对未知样本进行识别.局部空间上的集成构造问题被转换为一个单目标优化问题,并使用多种群遗传算法进行了求解.基于UCI数据集的实验表明,相对于现有的动态分类器选择算法和动态集成选择算法,新算法能够取得更高的识别率.同时,相对于现有的动态集成选择算法,新算法构造的集成规模更小,识别速度更快.

关键词：多分类器系统动态分类器选择动态集成选择局部最优型动态集成选择算法

在线全文

学校读者我要写书评

暂无评论

基于约束得分的动态集成选择算法

计算机应用研究 2014年第3期31卷 708-712页

作者：陈睿黄曙光黄雯张亮解放军电子工程学院网络系合肥230037 东华理工大学理学院南昌330013

针对基于约束得分的特征选择容易受成对约束的组成和基数影响的问题,提出了一种基于约束得分的动态集成选择算法(dynamic ensemble selection based on bagging constraint score,BCS-DES)。该算法将bagging约束得分(bagging constraint... 详细信息

针对基于约束得分的特征选择容易受成对约束的组成和基数影响的问题,提出了一种基于约束得分的动态集成选择算法(dynamic ensemble selection based on bagging constraint score,BCS-DES)。该算法将bagging约束得分(bagging constraint score,BCS)引入动态集成选择算法,通过将样本空间划分为不同的区域,使用多种群并行遗传算法为不同测试样本选择局部最优的分类集成,达到提高分类精度的目的。在UCI实验数据集上进行的实验表明,BCS-DES算法较现有的特征选择算法受成对约束组成和基数影响更小,效果更好。

关键词：约束得分动态集成选择特征选择分类器集成成对约束

在线全文

学校读者我要写书评

暂无评论

基于边缘分类能力的动态集成选择算法

计算机应用研究 2015年第6期32卷 1698-1702页

作者：陈睿黄海军黄雯胡劲松解放军电子工程学院网络系合肥230037 东华理工大学理学院南昌330013

提出了一种新的基于边缘分类能力排序准则,用于基于排序聚集(ordered aggregation,OA)的分类器选择算法。为了表征分类器的分类能力,使用随机参考分类器对原分类器进行模拟,从而获得分类能力的概率模型。为了提高分类器集成性能,将提出... 详细信息

提出了一种新的基于边缘分类能力排序准则,用于基于排序聚集(ordered aggregation,OA)的分类器选择算法。为了表征分类器的分类能力,使用随机参考分类器对原分类器进行模拟,从而获得分类能力的概率模型。为了提高分类器集成性能,将提出的基于边缘分类能力的排序准则与动态集成选择算法相结合,首先将特征空间划分成不同能力的区域,然后在每个划分内构造最优的分类器集成,最后使用动态集成选择算法对未知样本进行分类。在UCI数据集上进行的实验表明,对比现有的排序准则,边缘分类能力的排序准则效果更好,进一步实验表明,基于边缘分类能力的动态集成选择算法较现有分类器集成算法具有分类正确率更高、集成规模更小、分类时间更短的优势。

关键词：动态集成选择排序聚类分类器能力 bagging

在线全文

学校读者我要写书评

暂无评论

半动态集成选择分类方法

计算机与现代化 2015年第2期 48-51页

作者：李瑞袁小玲陕西财经职业技术学院会计二系陕西咸阳712000 陕西财经职业技术学院会计一系陕西咸阳712000

在集成学习领域,传统的动态集成选择需要为每一个样本选择子分类器组成集成分类器,这极大地增加了计算复杂度。针对这一问题,提出一种新的半动态集成选择方法。该方法分为两阶段,第一阶段为所有的测试样本选择最好的个体分类器组成一个... 详细信息

在集成学习领域,传统的动态集成选择需要为每一个样本选择子分类器组成集成分类器,这极大地增加了计算复杂度。针对这一问题,提出一种新的半动态集成选择方法。该方法分为两阶段,第一阶段为所有的测试样本选择最好的个体分类器组成一个集成分类器,第二阶段从剩余的个体分类器集合中为当前测试样本动态地选择子分类器组成一个集成分类器。最终的分类结果通过融合两阶段得到集成分类器的结果得到。通过对UCI数据测试的结果表明,该算法不仅能取得较好的分类性能,而且能极大地降低计算复杂度。

关键词：集成学习选择性集成动态集成选择分类

在线全文

学校读者我要写书评

暂无评论

基于加权与动态选择的不平衡数据流分类算法

计算机工程与应用 2024年

作者：韩萌李春鹏李昂孟凡兴何菲菲张瑞华北方民族大学计算机科学与工程学院

在数据挖掘领域中，数据流挖掘是一项关键任务，旨在处理不断产生和演化的数据流。与传统的批处理数据挖掘不同，数据流挖掘强调对实时数据的处理和分析，具有更高的时效性和实用性。然而，现实世界的数据流中存在着多类别不平衡、变化... 详细信息

在数据挖掘领域中，数据流挖掘是一项关键任务，旨在处理不断产生和演化的数据流。与传统的批处理数据挖掘不同，数据流挖掘强调对实时数据的处理和分析，具有更高的时效性和实用性。然而，现实世界的数据流中存在着多类别不平衡、变化的类别不平衡比和概念漂移等实际挑战，会极大地降低分类器的性能。针对这些问题，提出了一种基于加权与动态选择的不平衡数据流分类算法(SDW-DES)，通过综合考虑样本难度和数据动态性，为实时应用提供可靠解决方案。首先，引入一种基于样本分类难度的加权策略，结合样本的边际值和Focal loss，以更有效地关注易分类错误的样本和少数类样本，从而提高分类器的准确性。其次，提出一种灵活的动态集成选择方法，通过设计样本滑动窗口和困难样本滑动窗口，来综合分析分类器在不同窗口上的表现并加权，选出集成中最好的分类器进行预测，以适应数据分布的动态变化。最后，在多种数据流环境和评估指标上与9种先进的算法进行了全面的实验评估，实验结果表明SDW-DES在4个评估指标中平均排名第一，并且更能够适应数据流中的不平衡和概念漂移问题。

关键词：数据流分类多类不平衡概念漂移样本加权动态集成选择

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于多源信息的输电线路故障判别研究

基于多源信息的输电线路故障判别研究

作者：简胜超广东工业大学

学位级别：硕士

高压输电线路在电力系统中承担着远距离电能输送的重任,与其他电力设备相比,输电线路具有跨度大、分布广、环境复杂多变的特点,其长期暴露在外的工作性质决定了线路故障的多发性和复杂性,威胁着电网安全和社会生活。在线路故障发生后,... 详细信息

高压输电线路在电力系统中承担着远距离电能输送的重任,与其他电力设备相比,输电线路具有跨度大、分布广、环境复杂多变的特点,其长期暴露在外的工作性质决定了线路故障的多发性和复杂性,威胁着电网安全和社会生活。在线路故障发生后,迅速且准确地对故障原因进行辨识,有利于指导调度、巡检人员的决策判断,缩短故障排除时间,加快复电效率,具有重要的经济及社会效益。随着新型电力系统的数字化建设,越来越多的监测信息为线路故障判别提供了角度更多、细节更丰富的故障数据,同时也带来了信息冗余和数据融合的挑战。因此本文将从多源信息融合的角度着手对输电线路故障原因判别进行深入研究。首先,针对输电线路多源故障数据的信息融合问题,本文结合信息融合理论明确了特征层融合的数据应用方向,随后总结并细致划分了典型的故障特征研究成果,根据数据来源、结构和处理方式不同区分将故障特征区分为暂态波形特征和场景关联特征,基于机理分析和经验总结分别对两类特征进行分析和提取,形成原始特征池,以联合波形特征和关联特征作为信息融合研究的突破口。针对波形特征和关联特征的信息融合问题,本文首次在线路故障原因判别中引入多视图学习概念,提出了一种基于稀疏表示的层次多视图特征选择方法(Hierarchical Multi-view Feature Selection,HMVFS)。该方法建立了一个稀疏回归的目标函数模型,针对多视图特征具有的层次维度特点,在正则化项中引入Frobenius范数和l范数实现高低维度的特征选择;同时为了改善one-hot标签的回归模型在多分类问题上的结果准确性,在损失函数中引入了ε-dragging技术以扩大不同分类类别的标签间距。基于实际故障数据进行算例分析,论证了单视图方法难以直接应用于信息融合,HMVFS凭借多视图学习的优势能有效提高故障分类性能,体现了信息融合的提升效果。其次,针对输电线路故障类内变化大、分类精度低下的问题,本文引入了动态集成选择技术解决故障原因分类中标签定义明确性不足的问题,提出了一种基于HMVFS和META-DES的输电线路故障原因判别方法。该方法首先结合前文研究,把故障特征区分为双视图特征进行学习,实现故障特征的优化组合;随后基于元学习理论搭建了META-DES框架的集成分类模型,模型中元分类器通过学习基分类器的指定性能指标,有针对性地为待测样本组合不同的基分类器来实现集成分类。基于实际故障数据进行算例分析,结果显示HMVFS和META-DES切实提高了分类模型对多类别故障原因的分辨能力,显著且稳定地提升了故障分类性能,验证了双视图融合和动态集成的可行性和有效性。综上所述,本文提出了一种基于多视图学习和动态集成学习的输电线路故障原因判别方法,为充分利用多源故障数据、实现有效信息融合提供了解决办法,该方法立足于实际故障数据的计算分析,展现的故障分类效果始终优于其他对比方法,能够为线路故障响应、缩短复电时间提供可靠的辅助决策信息。

关键词：输电线路故障判别信息融合多视图学习动态集成选择