-
题名不平衡数据挖掘方法综述
被引量：53
- 1
-
-
作者
向鸿鑫
杨云
-
机构
云南大学软件学院
昆明市数据科学与智能计算重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2019年第4期1-16,共16页
-
基金
国家自然科学基金(No.61663046
No.61876166)
+2 种基金
云南省应用基础研究计划项目(No.2016FB104)
云南省中青年学术技术带头人后备人才项目(No.2017HB005)
云南省创新团队项目(No.2017HC012)
-
文摘
近些年,分类算法取得了长足的发展。但是随着数据来源的不断扩大,人们获得的数据绝大部分是不平衡数据。而这些分类算法通常对不平衡数据敏感,因此对不平衡数据的分类变得十分困难。目前对不平衡数据挖掘方法主要分为两大方面,分别是针对不平衡数据的预处理方法和挖掘算法。就这两大方面对近些年出现的方法进行总结,并从数据预处理、算法和性能评估方法等方面进行多维度梳理。从不同的应用领域入手,讲述了存在的各种不平衡问题,以及不同学者在其领域中的研究和解决方法。最后分析了不平衡数据挖掘领域目前存在的问题,并对未来研究方向进行展望。
-
关键词
不平衡数据
采样
聚类方法
集成方法
代价敏感
性能评估
-
Keywords
imbalanced data
sampling
cluster method
ensemble method
cost sensitive
performance evaluation
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于原始单通道脑电图的高效睡眠自动分期方法
- 2
-
-
作者
陶雨洁
杨云
-
机构
云南大学软件学院
昆明市数据科学与智能计算重点实验室
云南省高校数据科学与智能计算重点实验室
-
出处
《郑州大学学报（理学版）》
北大核心
2022年第3期40-44,共5页
-
基金
国家自然科学基金项目(61663046,61876166)。
-
文摘
提出一种基于单通道脑电数据的睡眠自动分期方法。利用多个并行的卷积操作学习脑电的多尺度空间特征,使用长短期记忆网络挖掘局部时不变特征中的时间信息。针对类别不平衡问题,采用时移滚动方法和加权交叉熵损失函数。在公开数据集Sleep-EDF上的实验结果表明,所提方法仅使用单通道数据实现了端到端的高效睡眠自动分期,缓解了不平衡数据集的分类问题。
-
关键词
睡眠分期
单通道
脑电图
类别不平衡
端到端
-
Keywords
sleep staging
single-channel
electroencephalogram
class imbalance
end-to-end
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名一种简单的共享式多层梯度补给方法
- 3
-
-
作者
杜飞
杨云
胡媛媛
曹丽娟
-
机构
云南大学国家示范性软件学院
昆明市数据科学与智能计算重点实验室
云南省高校数据科学与智能计算重点实验室
-
出处
《软件学报》
EI
CSCD
北大核心
2020年第7期2157-2168,共12页
-
基金
国家自然科学基金(61663046,61876166)
云南省应用基础研究计划(2016FB104)
+2 种基金
云南省中青年学术技术带头人后备人才项目(2017HB005)
云南省创新团队项目(2017HC012)
云南省高校重点实验室建设计划。
-
文摘
深度学习通过多层特征提取方式,可以将原始复杂数据自动表征为高级抽象特征,该模型具有很强的建模能力,普遍应用于图像识别语音识别、自然语言处理等高复杂问题中.但深度学习由于网络层数深、参数规模庞大,训练时常常会产生梯度消失、陷入局部最优解、过度拟合等现象.借鉴集成学习的思想,提出一个新颖的深度共享集成网络,该网络通过在深度学习各隐藏层引出多个独立输出层的联合训练的方式,在网络的各层注入梯度,从而对低层隐藏层进行梯度补给,从而降低深度学习中的梯度消失现象,并通过集成多输出层的方式使得整个网络拥有更强的泛化性能.
-
关键词
深度学习
集成学习
堆叠泛化
梯度消失
梯度注入
-
Keywords
deep learning
ensemble learning
stacked generalization
vanishing gradients
gradients injection
-
分类号
TP182
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于特征补偿的单目标跟踪算法
- 4
-
-
作者
白扬
曹丽娟
胡媛媛
杨云
-
机构
云南大学国家示范性软件学院
云南大学昆明市数据科学与智能计算重点实验室
-
出处
《计算机工程与设计》
北大核心
2020年第4期1105-1112,共8页
-
基金
国家自然科学基金项目(61663046、61876166)。
-
文摘
为适应长期跟踪的需求,提出一种基于特征补偿的单目标跟踪方法。通过分析现有算法的优缺点,使用低层特征的相关滤波模型完成简单场景的任务,以保证速度;使用高层语义特征的卷积神经网络模型完成复杂场景的任务,以提升精度和鲁棒性;引入一个简单的分类器,作为切换特征的标志,有选择的对模型的模版进行更新,降低累计误差。结合实例验证了算法的有效性,在保证较快速度的同时,精度和鲁棒性均有较高的提升。
-
关键词
目标跟踪
长期跟踪
特征补偿
相关滤波
神经网络
-
Keywords
object tracking
long-term tracking
feature compensation
correlation filtering
neural network
-
分类号
TN911.73
[电子电信—通信与信息系统]
-
