关于Focal Loss的Tensor Train多项式分类器

在模式分类领域,多项式分类器因其复杂决策边界能力而得到广泛研究。利用TensorTrain分解形式来表示多项式分类器,可有效克服维数灾难。针对多项式分类器在训练过程中遇到的训练集分布不平衡问题,文章使用FocalLoss重塑了标准交叉损失,以降低分配给易分类样本的损失的权重,并在被广泛使用的图像分类数据集MNIST上验证了分类器的有效性。

特殊类别特征的多项式分类器在模式分类及其手写体数字识别中的应用

在模式分类中，多项式分类器（PC）是一个具有简化子空间特征的二项式多层神经网络，在输入中显示出超强的特性。本文提出了从特殊类别子空间提取特殊类别特征的多项式分类器（CFPC）。与其它普通的PC不一样，多项式分类器采用了单独的类别子空间。CFPC可以通过普通PC的组合以及投影距离的方式来检测。特殊类别特征对类别有较好的分割，特殊类别的合并和投影距离可进一步改善分离性。CFPC的连接权重是有效的，学习的分级意味着对训练样本正交误差的最小化。对于CFPC，我们通过手写体数字识别和NIST特殊数据库中的数字串识别实验来验证。数字识别也可在USPS和MNIST数据库中进行，其结果显示，CFPC的特性优于普通PC，它是一种与支持向量分类器不相上下的分类器。

基于多项式映射的分类器及其在变压器故障诊断中的应用研究

变压器故障诊断和维修是一项复杂的任务,尽快诊断出故障并确定故障类型为即时安排相应的专业维修技术人员争取时间抢修,对于电力系统可靠供电,尤其是不允许断电的用电场所,具有非常重要的意义。文中采用多项式映射,将样本数据映射至高维空间,对高维空间的生成样本设计分类器进行分层分类。对于在线诊断系统,针对传感器或光谱仪收集数据存在较大误差的问题,文中对方法进行了"测不准"鲁棒性分析。文末给出了基于溶解氧含量(DGA)实例,并与相关研究结果进行了比较,证明文中所提出的方法的有效性和较好的鲁棒稳定性。

最大判别特征选择算法在文本分类的优化研究

采用朴素贝叶斯分类器进行文本分类时,特征选择方法的好坏直接影响到分类器的性能.本文提出一种最大判别(MD)特征选择算法,由训练得到N个类的概率分布后,通过对样本进行测试并得到其特征向量d中每个特征词区分类别的能力,并构造出了一个新的特征向量ε用于分类,使得从中选取的部分特征词具有最大的类别区分能力.仿真结果表明,与cMFD,CSFS和CMFS三种特征选择算法相比,MD特征选择算法能在选取较少特征词情况下,获得更高的分类精度.

基于指数分布族的类特定文本分类算法

在文本分类中,选取一个高效的分类算法是提高文本分类准确度,缩短分类时间的关键。提出基于指数分布族的多项式贝叶斯类特定分类算法(exponential family-multinomial naive Bayes,EF-MNB),基于多项式模型构造了 N 个类的分布,利用类特定特征选择算法得到第 N 个类的特征子集及对应类的特征概率密度函数(probability density function,PDF),通过指数分布族构造了 N 个类的原始PDF估计表达式,给定 N 个类的训练集,得到了第 N 个类的最优PDF估计,并基于贝叶斯定理制定了分类规则。仿真结果表明,与基于文档主题生成模型和支持向量机(latent dirichlet allocation-support vector machine,LDA-SVM)的层次分析分类算法、改进的超球支持向量机(improved hyper-sphere support vector machine,IHS-SVM)文本分类算法和基于主成份分析和k最近邻(principal component analysis-k-nearest-neighbor,PCA-KNN)混合分类算法相比,EF-MNB类特定分类算法使用少量的时间就可获得更高分类准确率。