數(shù)據(jù)分類是機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘中獲取數(shù)據(jù)中的信息和價(jià)值的一種重要手段,傳統(tǒng)的數(shù)據(jù)分類算法通常運(yùn)用于數(shù)據(jù)概率分布平衡的數(shù)據(jù)集,但是在實(shí)際生活和工業(yè)生產(chǎn)中,很多數(shù)據(jù)集中正負(fù)樣本的分布往往是不平衡的,而少數(shù)類樣本數(shù)據(jù)又具有更重要的信息,少數(shù)類樣本分類錯(cuò)誤可能需要付出很大的代價(jià),如醫(yī)療診斷、信用卡詐騙檢測(cè)等。在這種情況下,以總體的分類準(zhǔn)確率為目標(biāo)的傳統(tǒng)分類算法并不適用于解決這一類的問題。針對(duì)不平衡數(shù)據(jù)分類問題中的難點(diǎn),本文提出了一種基于深度神經(jīng)網(wǎng)絡(luò)集成的不平衡數(shù)據(jù)分類方法,利用深度神經(jīng)網(wǎng)絡(luò)提取復(fù)雜問題樣本中的潛在特征,基于進(jìn)化算法提高深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果,通過生成對(duì)抗模型改善數(shù)據(jù)樣本的不平衡狀況,最后通過深度神經(jīng)網(wǎng)絡(luò)集成來提高綜合分類性能。本文的主要成果和創(chuàng)新點(diǎn)如下:（1）提出了一個(gè)基于進(jìn)化深度神經(jīng)網(wǎng)絡(luò)的不平衡數(shù)據(jù)分類模型,通過深度自編碼器（Deep Autoencoder,DAE）以及深度玻爾茲曼機(jī)（Deep Boltzmann Machine,DBM）提取不平衡數(shù)據(jù)中的潛在特征,通過水波優(yōu)化算法（Water Wave Optimization,WWO）對(duì)深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)進(jìn)行優(yōu)化,實(shí)... 

【文章來源】：浙江工業(yè)大學(xué)浙江省

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究的背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 不平衡數(shù)據(jù)預(yù)處理
        1.2.2 不平衡數(shù)據(jù)分類的傳統(tǒng)方法
        1.2.3 基于神經(jīng)網(wǎng)絡(luò)集成的數(shù)據(jù)分類方法
        1.2.4 基于深度神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)分類方法
    1.3 本文的主要研究工作
    1.4 本章小結(jié)
第二章 論文相關(guān)基礎(chǔ)知識(shí)
    2.1 神經(jīng)網(wǎng)絡(luò)
    2.2 生成式對(duì)抗網(wǎng)絡(luò)
    2.3 神經(jīng)網(wǎng)絡(luò)集成
    2.4 水波優(yōu)化算法
    2.5 本章小結(jié)
第三章 基于進(jìn)化深度神經(jīng)網(wǎng)絡(luò)的不平衡數(shù)據(jù)分類
    3.1 淺層神經(jīng)網(wǎng)絡(luò)在不平衡數(shù)據(jù)分布中的缺陷
    3.2 基于深度神經(jīng)網(wǎng)絡(luò)的不平衡數(shù)據(jù)分類
    3.3 深度神經(jīng)網(wǎng)絡(luò)的進(jìn)化訓(xùn)練算法
        3.3.1 基于進(jìn)化算法的深度神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化方法
        3.3.2 基于進(jìn)化算法的深度神經(jīng)網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)優(yōu)化方法
    3.4 計(jì)算實(shí)驗(yàn)
    3.5 本章小結(jié)
第四章 基于生成對(duì)抗網(wǎng)絡(luò)的不平衡數(shù)據(jù)分類及其應(yīng)用
    4.1 深度對(duì)抗去噪自編碼器
    4.2 計(jì)算實(shí)驗(yàn)
    4.3 在電信詐騙檢測(cè)中的應(yīng)用
    4.4 本章小結(jié)
第五章 基于進(jìn)化神經(jīng)網(wǎng)絡(luò)集成的不平衡數(shù)據(jù)分類
    5.1 基于深度神經(jīng)網(wǎng)絡(luò)集成的不平衡數(shù)據(jù)分類
    5.2 基于進(jìn)化算法的深度神經(jīng)網(wǎng)絡(luò)集成的優(yōu)化方法
    5.3 計(jì)算實(shí)驗(yàn)
    5.4 本章小結(jié)
第六章 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介
    1 作者簡(jiǎn)歷
    2 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
    3 參與的科研項(xiàng)目及獲獎(jiǎng)情況
學(xué)位論文數(shù)據(jù)集


【參考文獻(xiàn)】：
期刊論文
[1]基于多尺度匹配濾波和集成學(xué)習(xí)的眼底圖像微脈瘤檢測(cè)[J]. 彭英輝,張東波,沈奔.  計(jì)算機(jī)應(yīng)用. 2013(02)
[2]不平衡數(shù)據(jù)分類的混合算法[J]. 韓敏,朱新榮.  控制理論與應(yīng)用. 2011(10)
[3]不平衡類數(shù)據(jù)挖掘研究綜述[J]. 翟云,楊炳儒,曲武.  計(jì)算機(jī)科學(xué). 2010(10)
[4]不平衡分類問題研究綜述[J]. 葉志飛,文益民,呂寶糧.  智能系統(tǒng)學(xué)報(bào). 2009(02)
[5]基于最近鄰規(guī)則的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本選擇方法[J]. 郝紅衛(wèi),蔣蓉蓉.  自動(dòng)化學(xué)報(bào). 2007(12)

博士論文
[1]選擇性神經(jīng)網(wǎng)絡(luò)集成算法研究[D]. 傅強(qiáng).浙江大學(xué) 2007

碩士論文
[1]基于卷積網(wǎng)絡(luò)集成的面部表情識(shí)別方法[D]. 劉曠.浙江大學(xué) 2016



本文編號(hào)：3316198