基于失衡样本特性过采样算法与SVM的滚动轴承故障诊断

针对传统支持向量机(SVM)算法在滚动轴承故障诊断领域中,对失衡数据集效果不佳、对噪声敏感以及对本身参数依赖较大等缺点,提出一种基于样本特性的过采样算法(OABSC)。该算法利用改进凝聚层次聚类将故障样本分成多个簇;在每个簇中综合考虑样本距离、近邻域密度对"疑似噪声点"进行识别、剔除,并将剩余样本按信息量进行排序;紧接着,在每个簇中采用K^*-信息量近邻域(K^*INN)过采样算法合成新样本,以使得数据集平衡;模拟3种不同失衡比下的轴承故障情况,并采用粒子群算法优化了SVM分类器的参数。经试验证明:相比已有算法,OABSC算法能更好地适用于数据呈多簇分布且失衡的轴承故障诊断领域,拥有更高的G-mean值与AUC值以及更强的算法鲁棒性。

BP算法中样本特性及参数α，β两阶段动态调整

从样本特性和参数调整出发，提出了三种改进的ＢＰ算法，并在ＸＯＲ等问题上进行了检验。

基于样本特性欠取样的不均衡支持向量机

针对传统支持向量机在数据失衡的情况下分类效果很不理想的问题,提出一种基于样本特性欠取样的不均衡SVM分类算法.该算法首先在核空间中依据样本信息量选择一定比例的靠近不均衡分类界面的多数类样本;然后根据样本密度信息选择最具有代表性的均衡多数类样本点,在减少多数类样本的同时使分类界面向多数类方向偏移.实验结果表明,所提出的算法与其他不均衡数据预处理方法相比,能有效提高SVM算法在失衡数据中少数类的分类性能、总体分类性能和鲁棒性.

控制图的报警阀值

控制图的报警阀值是由异常点来启动的，而异常点的判断则取决于小概率事件的发生，本文给出了用样本均值和方差去估计总体均值和方差时，点落在控制界限之外的分布函数。使用本文所给的分布函数去计算小概率事件避免了用样本特性值代替总体特性值时所带来的误差，同时也统一了控制图在不同异常点出现时的报警阀值。

非均衡数据下基于信息增益的SMOTE改进SVM模型研究

针对传统支持向量机在数据非均衡的情况下分类效果很不理想的问题,提出一种基于关键指标过采样的非均衡支持向量机分类算法。依据信息增益理论确定样本的关键指标,建立了基于区间数的关键指标扩展方法,利用超立方体顶点采样方法对扩展后的样本进行了过采样,进而使少数类样本的数量得到均衡;最后建立SVM分类模型并对区间化指标进行寻优,进而确定最终分类结果。实验结果表明,所提出算法相对其他非均衡算法能有效提高分类性能,尤其样本指标较多的情况下,本文算法优势更为明显。

对《如何估计鱼塘中鱼的质量》一文的分析

读《中小学数学》2007年第10期巨老师的文章《如何估计鱼塘中鱼的质量》一文,感触颇多:一:巨老师的选题让学生体会到数学与"现实生活"息息相关,使学生的数学学习发生在真实的世界中.让学生体验数学源于生活而又高于生活,反过来又作用于生活。