隨著機器學(xué)習(xí)和數(shù)據(jù)挖掘的快速發(fā)展,越來越多的研究通過學(xué)習(xí)挖掘海量數(shù)據(jù)中的規(guī)律和特征,來實現(xiàn)更加準(zhǔn)確的預(yù)測和推斷。對海量數(shù)據(jù)進行自動分類能夠大大的提高人們獲取信息的效率。傳統(tǒng)的分類方法是建立在類分布大致平衡的假設(shè)基礎(chǔ)上,然而,現(xiàn)實生活中的很多數(shù)據(jù)都是不平衡的,例如癌癥檢測、網(wǎng)絡(luò)攻擊識別等,因此,不平衡數(shù)據(jù)增強算法的研究課題,近兩年來受到越來越多的關(guān)注�，F(xiàn)有的解決不平衡數(shù)據(jù)分類問題的主流方法有采樣和集成學(xué)習(xí)相結(jié)合的方法,例如SMOTEBoost、RUSBoost、EUSBoost等算法。以上算法在初始化時給每個樣本賦予相同的權(quán)重,然后分別訓(xùn)練分類器,根據(jù)誤差率的反饋不斷地調(diào)整樣本的權(quán)重,最后得到表現(xiàn)較好的分類器。這些算法在某些特定情況下會過度依賴原始數(shù)據(jù)集。針對上述問題,本文中提出了用生成式對抗網(wǎng)絡(luò)進行數(shù)據(jù)增強以解決不平衡數(shù)據(jù)分類的問題。本文主要貢獻如下:(1)針對訓(xùn)練數(shù)據(jù)集樣本不足的情況,提出了基于GAN的不平衡數(shù)據(jù)增強算法,利用該算法生成圖像組成新的數(shù)據(jù)集,然后提取圖像特征并分類,實驗證明,生成的圖像在樣本多樣性上有較好的效果,并且通過該方法進行數(shù)據(jù)增強后,數(shù)據(jù)的分類結(jié)果有了較好的提升...

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 引言
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 數(shù)據(jù)層面解決策略
        1.2.2 算法層面解決策略
        1.2.3 綜合解決策略
    1.3 主要工作和研究內(nèi)容
    1.4 組織結(jié)構(gòu)
2 相關(guān)理論介紹
    2.1 數(shù)據(jù)不平衡
        2.1.1 數(shù)據(jù)不平衡介紹
        2.1.2 常見形式和特點
        2.1.3 解決辦法
    2.2 生成式對抗網(wǎng)絡(luò)
        2.2.1 核心思想
        2.2.2 實現(xiàn)過程
        2.2.3 網(wǎng)絡(luò)特點
    2.3 本章小結(jié)
3 基于DCGAN的不平衡數(shù)據(jù)增強算法
    3.1 問題提出
    3.2 算法流程
    3.3 算法訓(xùn)練
        3.3.1 深度卷積生成式對抗網(wǎng)絡(luò)的訓(xùn)練
        3.3.2 VGG16的訓(xùn)練
        3.3.3 基礎(chǔ)分類器訓(xùn)練
    3.4 實驗分析
        3.4.1 數(shù)據(jù)集描述
        3.4.2 實驗設(shè)計
        3.4.3 結(jié)果分析
    3.5 本章小結(jié)
4 基于DCGAN的集成學(xué)習(xí)的不平衡數(shù)據(jù)增強算法
    4.1 問題提出
    4.2 算法描述
        4.2.1 算法介紹
        4.2.2 算法流程
    4.3 實驗分析
        4.3.1 數(shù)據(jù)集描述
        4.3.2 實驗設(shè)置
        4.3.3 實驗準(zhǔn)備
        4.3.4 結(jié)果分析
    4.4 算法實驗結(jié)果對比
    4.5 本章小結(jié)
5 不平衡數(shù)據(jù)增強算法的應(yīng)用系統(tǒng)設(shè)計與實現(xiàn)
    5.1 系統(tǒng)功能介紹
    5.2 系統(tǒng)設(shè)計介紹
    5.3 部分界面
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
作者簡歷及攻讀碩士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集



本文編號：3952549