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

选择性集成学习多判别器生成对抗网络

计算机科学与探索 2022年第6期16卷 1429-1438页

作者：申瑞彩翟俊海侯璎真河北大学数学与信息科学学院河北保定071002 河北大学河北省机器学习与计算智能重点实验室河北保定071002

生成对抗网络(GAN)在图像生成方面具有广泛应用,但基于无监督方式与有监督方式的网络生成样本仍有较大差距。为解决生成对抗网络在无监督环境中生成样本多样性差、质量较低以及模型训练时间过长等问题,提出了具有选择性集成学习思想的... 详细信息

生成对抗网络(GAN)在图像生成方面具有广泛应用,但基于无监督方式与有监督方式的网络生成样本仍有较大差距。为解决生成对抗网络在无监督环境中生成样本多样性差、质量较低以及模型训练时间过长等问题,提出了具有选择性集成学习思想的生成对抗网络模型。将生成对抗网络中的判别网络采用集成判别系统的形式,有效减少了由单判别器判别性能不佳导致判别误差的情况;同时考虑到若集成判别网络均采用统一网络设置,则在模型训练中基判别网络将趋近于一种表现形式,为鼓励判别网络判别结果多样且避免网络陷入雷同,设置拥有不同网络结构的判别网络,并在集成判别网络中引入具有动态调整基判别网络投票权重的多数投票策略,对集成判别网络的判别结果进行投票,有效地促进了模型的收敛且较大减少了实验误差。最后将提出的模型与同方向的模型在不同数据集上使用不同评价指标进行评价,实验结果表明提出的模型无论在生成样本多样性、生成样本质量还是在模型收敛速度上均明显优于几种竞争模型。

关键词：生成对抗网络(GAN) 集成判别系统选择性集成学习多数投票策略

选择性集成学习模型在岩性-孔隙度预测中的应用

在线全文

学校读者我要写书评

暂无评论

科学技术与工程 2020年第3期20卷 1001-1008页

作者：段友祥王言飞孙歧峰中国石油大学(华东)计算机与通信工程学院青岛266580

储层是油藏地质建模的主要对象,储层属性参数的预测是建模的重要基础和主要难点之一。利用机器学习方法建立预测模型是目前研究的一个热点。针对单一机器学习方法在孔隙度预测方面存在的容错率低、过拟合等缺点,提出了融合岩性分类进行... 详细信息

储层是油藏地质建模的主要对象,储层属性参数的预测是建模的重要基础和主要难点之一。利用机器学习方法建立预测模型是目前研究的一个热点。针对单一机器学习方法在孔隙度预测方面存在的容错率低、过拟合等缺点,提出了融合岩性分类进行选择性集成学习建立预测模型的方法。该方法首先使用支持向量机进行岩性分类,并将岩性分类结果作为孔隙度选择性集成预测模型的输入。然后在研究分析典型机器学习方法的基础上,通过主成分方法分析法从支持向量回归、径向基(radial basis function,RBF)神经网络、随机森林、岭回归和K近邻回归等经典模型中选择出一组表现优异的个体学习模型组成集成学习模型,个体在集成模型中的权重由“主成分权重平均”法获得,最终采用加权平均法得到集成学习模型的输出。该方法考虑了岩性对孔隙度的影响,克服了单一模型存在的不足,模型的泛化能力强。研究结果表明,该方法的预测精度明显优于其他单一机器学习方法,适应性好。

关键词：孔隙度预测岩性分类选择性集成学习机器学习主成分方法分析法主成分权重平均法

在线全文

学校读者我要写书评

暂无评论

基于选择性集成学习的焊接缺陷识别研究

中国矿业大学学报 2011年第6期40卷 949-953页

作者：徐桂云陈跃张晓光刘云楷中国矿业大学机电工程学院江苏徐州221116 哈尔滨工业大学现代焊接生产技术国家重点实验室黑龙江哈尔滨150001 徐州工程学院机电工程学院江苏徐州221008

针对射线检测焊缝图像中缺陷识别正确率低的问题,提出一种选择性集成学习的焊接缺陷识别算法.算法中的个体学习器由稳定分类器和非稳定分类器组成,使用SVM-RFE算法移除集成学习器中的冗余个体学习器,保留子学习器预测输出加权作为集成... 详细信息

针对射线检测焊缝图像中缺陷识别正确率低的问题,提出一种选择性集成学习的焊接缺陷识别算法.算法中的个体学习器由稳定分类器和非稳定分类器组成,使用SVM-RFE算法移除集成学习器中的冗余个体学习器,保留子学习器预测输出加权作为集成学习器的输出,有效地增强了个体之间的差异性,进而提高了集成的泛化性能.结果表明:该算法充分利用更多的缺陷特征和样本数据集信息,继承了强集成学习的优点,有效地提高分类正确率.使用一对多的方法把二分类选择性集成学习器推广到多分类问题中,所提出的算法在训练精度为92.4%时;焊缝缺陷识别率提高到85.5%.

关键词：焊接缺陷分类选择性集成学习支持向量机 K-NN分类器

在线全文

学校读者我要写书评

暂无评论

基于选择性集成学习的高速列车故障识别研究

计算机应用研究 2018年第5期35卷 1365-1367页

作者：饶川苟先太金炜东西南交通大学电气工程学院成都610031

在SVM分类识别中,分类器模型一经训练得到,对所有测试样本进行无差别的识别。针对高速列车故障中样本的分类识别是存在区域分类精度的情况,提出了一种基于选择性集成学习的SVM多分类器融合算法。该方法选取测试样本最邻近的k个训练样本... 详细信息

在SVM分类识别中,分类器模型一经训练得到,对所有测试样本进行无差别的识别。针对高速列车故障中样本的分类识别是存在区域分类精度的情况,提出了一种基于选择性集成学习的SVM多分类器融合算法。该方法选取测试样本最邻近的k个训练样本;然后选择对其分类效果好的SVM分类器进行融合,以提高分类准确率;最后使用高速列车故障数据进行了实验,并与Ada Boost、KNN、Bayes、SVM分类方法进行了比较。实验结果表明,该算法提高了分类识别准确率。

关键词：选择性集成学习支持向量机多分类器融合区域分类精度高速列车故障分类

在线全文

学校读者我要写书评

暂无评论

基于多任务的多层次选择性集成学习的研究

基于多任务的多层次选择性集成学习的研究

作者：吴科主安徽工业大学

学位级别：硕士

泛化能力是指训练好的算法对新样本的适应能力,如何有效提高算法的泛化性能是目前机器学习界研究的重大挑战之一,在前人的研究基础上支持向量机和集成学习已成为研究提高算法泛化性能的两种重要研究途径。集成学习是通过为某一问题训练... 详细信息

泛化能力是指训练好的算法对新样本的适应能力,如何有效提高算法的泛化性能是目前机器学习界研究的重大挑战之一,在前人的研究基础上支持向量机和集成学习已成为研究提高算法泛化性能的两种重要研究途径。集成学习是通过为某一问题训练出多个基学习器并将各基学习器的输出进行集成,它可以显著地提高学习系统的泛化能力。研究表明集成学习在基分类器的选择上存在研究困境,本文在集成学习的基础上通过多层次选择性集成策略、基于PCA的多任务学习很好的解决了这一问题,进一步提高基学习器的独立性和准确率,使得算法获得更好的泛化性能和准确率。本文的主要工作和创新点如下:①分析了选择性集成学习中基分类器的选择性问题,并提出通过多层次选择方案来解决这一难题,指明了解决这一问题的新思路,详细叙述了多层次选择性集成的思想。②给出了多层次选择性集成的数学基础,并分别从统计学的重采样方法的角度和几何角度对多层次选择性集成的有效性进行了解释。③研究了PCA相关理论,将PCA应用于多任务学习的辅助任务选择上,形成了基于PCA的多任务学习,进一步给出了基于PCA的多任务学习在集成学习中提高学习器泛化性能中的贡献和有效性。④在多层次选择性集成学习和基于PCA的多任务学习的基础上构造了基于多任务学习的多层次选择性集成算法MR-BMLSEN。在决策树算法的基础上基于WEKA平台使用UCI数据集给出了实验结果,并与传统机器学习算法J48、Adaboost、Bagging作了比较分析,最后给出了MR-BMLSEN算法的置信度分析和有效性说明。

关键词：集成学习选择性集成学习 PCA 多任务学习决策树多层次选择性集成

基于选择性集成学习的Android恶意程序检测方法研究

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

基于选择性集成学习的Android恶意程序检测方法研究

作者：刘书铭江西财经大学

学位级别：硕士

随着移动智能终端技术快速发展与广泛普及,Android应用成为一种流行的软件形态,各种功能的Android应用程序被不断开发出来。尽管这些应用程序能够满足人们的需求,但是应用程序的安全问题日益突出并引发了一些典型的安全事件。由于Androi... 详细信息

随着移动智能终端技术快速发展与广泛普及,Android应用成为一种流行的软件形态,各种功能的Android应用程序被不断开发出来。尽管这些应用程序能够满足人们的需求,但是应用程序的安全问题日益突出并引发了一些典型的安全事件。由于Android系统自身的开源性以及应用市场监管的不力,用户可能下载到一些恶意程序,从而导致个人信息泄露或是电子账户上的财产损失等严重后果。因此,能够准确地检测出各类Android恶意程序对于减少其危害尤为重要。目前已有的大部分恶意程序检测方法主要通过待检程序的函数调用图提取其行为模式,或者通过代码文本提取文本特征而忽略了代码模式。鉴于此,本文聚焦于代码文本的恶意代码模式,提出了一种基于词频逆文本频率(Term Frequency-Inverse Document Frequency,TF-IDF)的恶意程序检测方法。该方法通过TF-IDF技术,构造敏感函数调用的词向量,用以表征代码文本中的恶意模式。然而,基于单一特征的检测方法会存在漏报或误报等局限性。针对这方面的不足,本文基于选择性集成学习的理论,构建了一种多种特征分析的Android恶意程序检测方法AMD-SEL(Android Malware Detection based on Selective Ensemble Learning)。该方法综合考虑了代码程序文本、代码文本中敏感函数调用的TF-IDF值、敏感函数的中心性、敏感函数的亲密度以及敏感函数三元组这五种不同的特征。通过静态分析提取待测程序的五类特征,再通过五种典型机器学习算法进行训练,得到基本的子分类器。随后,基于选择性集成学习的思想,运用启发式搜索算法对各个子分类器分配权重。这样,所有子分类器以及其对应的权重便可以构建一个集成式的Android程序检测模型。为了验证AMD-SEL方法的有效性,在公开真实的Android程序数据集上进行了关于查准率、查全率、1度量以及精度这四项评价指标的实验分析。实验结果表明,本文所提出的AMD-SEL方法在四项指标上均要优于基于单个特征的检测方法。因此该研究对提高Android应用程序安全性等方面能够提供一定参考。

关键词： Android 恶意程序检测静态分析多特征选择性集成学习

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Q统计量的选择性集成学习研究

基于Q统计量的选择性集成学习研究

作者：曹振田安徽大学

学位级别：硕士

机器学习技术已经成功应用在社会生活的各个方面。如手写汉字识别,人脸识别,网络入侵检测等。由于机器学习在应用中取得巨大成就。因此许多研究者都开展了对机器学习的研究。其中集成学习是机器学习研究方面的一个重要研究方向。研究表... 详细信息

机器学习技术已经成功应用在社会生活的各个方面。如手写汉字识别,人脸识别,网络入侵检测等。由于机器学习在应用中取得巨大成就。因此许多研究者都开展了对机器学习的研究。其中集成学习是机器学习研究方面的一个重要研究方向。研究表明集成学习能明显提高机器学习系统的泛化能力。由于集成学习利用多个分类器进行学习,需要更大的计算量。然而,随着个体分类器的增多,个体分类器之间的差异度就越小,集成学习的精确度反而下降。南京大学周志华教授提出选择性集成学习的概念。就是从生成的个体分类器中选择一部分再集成。实验表明效果比原集成要好。差异度是集成学习中的一个重要概念。一个好的集成学习算法,关键是能生成差异度大的个体分类器。至今,研究者已提出十种差异度度量方式。由于Q统计量在实验中效果不错,因此本文采用Q统计量度量两个分类器之间的差异度。提出一种采用Q统计量的选择性集成学习算法。由于Weka平台是当今最流行的机器学习平台。它提供了多种机器学习算法,以及对实验结果的评估等工具。因此本文的实验全部基于Weka平台实现。同时为了使用Weka平台的强大功能,把算法集成到Weka平台。最后本文还对算法存在的问题进行说明和展望,便于今后进一步进行研究。概括的说,本文主要包含几个方面的内容：(1)概述选择性集成学习国内外研究的现状、背景和意义。包括选择性集成学习的起源、定义、主要技术,和集成学习中流行的差异度。同时也介绍了开源的机器学习平台Weka。(2)从差异度的角度出发,提出一种新的选择性集成学习方法。该方法采用了流行的Q统计量。为了证明算法的有效性,采用决策树作为基分类器。采用UCI数据集做实验,实验表明该算法不仅能降低分类器的个数,而且也能提高集成学习的泛化能力。(3)为了方便和高效的使用算法,最后把QSE算法集成到’Weka平台中。这样不仅有利于本算法的推广,也能与更多的机器学习的研究者进行交流和学习。

关键词：差异度选择性集成学习 Q统计量

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

基于特征选择的SVM选择性集成学习方法

电子技术与软件工程 2019年第18期 143-144页

作者：扈晓君康宁山东中医药大学

本文提出了一种结合SVM的选择性集成学习方法。算法基于集成学习的基本框架,通过对输入的训练子集进行特征选择处理并对随后的基分类器进行泛化能力的排序和选择,形成了一个新的集成分类器,以提高性能。文中试验采用UCI数据集与传统的Ba... 详细信息

本文提出了一种结合SVM的选择性集成学习方法。算法基于集成学习的基本框架,通过对输入的训练子集进行特征选择处理并对随后的基分类器进行泛化能力的排序和选择,形成了一个新的集成分类器,以提高性能。文中试验采用UCI数据集与传统的Bagging算法做对比,结果表明本文算法可以有效地改善分类效果。

关键词：支持向量机特征选择选择性集成学习

一种基于选择性协同学习的网络用户异常行为检测方法

在线全文

学校读者我要写书评

暂无评论

计算机学报 2014年第1期37卷 28-40页

作者：陆悠李伟罗军舟蒋健夏怒东南大学计算机科学与工程学院南京210096 苏州科技学院电子与信息工程学院江苏苏州215000

为了快速准确检测网络用户的异常行为,机器学习技术得到了广泛应用.但随着用户规模的扩大及用户行为的复杂化,基于机器学习的传统检测方法面临着大量标记训练样本而导致的巨大开销、实际网络用户异常行为数据非平衡性而导致的检测准确... 详细信息

为了快速准确检测网络用户的异常行为,机器学习技术得到了广泛应用.但随着用户规模的扩大及用户行为的复杂化,基于机器学习的传统检测方法面临着大量标记训练样本而导致的巨大开销、实际网络用户异常行为数据非平衡性而导致的检测准确性不足等问题.因此,将选择性集成技术引入到协同学习过程中,提出了一种基于选择性协同学习的网络用户异常行为检测方法,使用基于多数类分布的改进EasyEnsemble方法将非平衡训练样本划分为平衡的样本子集,然后使用基于混合扰动的生成方法构造差异性成员分类器对样本子集进行协同学习,在学习过程中使用选择性集成进行置信度计算与数据更新以减少开销,并基于准确性选择构建集成分类器用于实际检测,使得检测方法在获得非平衡性复杂分布数据的处理能力的同时进一步提高检测准确性.实验结果表明,该方法较传统方法减少了对训练样本中标记数据的需求,同时在准确性评价指标上表现更好,能更快速准确地检测出网络用户的异常行为.

关键词：网络用户异常行为检测协同学习选择性集成学习支持向量机机器学习