融合簇边界移动与自适应合成的混合采样算法

针对伪负采样算法(Pseudo-Negative Sampling,PNS)存在的类内子聚集和类别重叠问题,提出一种融合簇边界负样本移动策略(Cluster Boundary Negative Movement Strategy,CBNMS)与自适应正样本合成技术(Adaptive Pos⁃itive Synthesis Technology,ADPST)的改进混合采样算法(Improved Cluster Boundary Negative Movement Strategy,ICB⁃NMS),以提升非均衡数据的整体分类性能和正类识别精度.CBNMS策略采用凝聚层次聚类对正负类样本进行划分,并通过各局部样本间相似关系识别潜在负类中且与正类相关性较大的簇边界负样本,提高采样的局部精确性和时效性.为进一步加强CBNMS策略对正样本重叠区域的识别性能,ICBNMS算法在簇边界负样本移动均衡化基础上,引入ADPST技术,利用稀疏度与距离复合因子组合加权以自适应确定最优样本生成区域,从而有效削弱样本的重叠性且丰富样本的多样性.实验结果表明,相比其他采样算法,ICBNMS算法在10个非均衡数据集的多组实验中G-mean和Fmeasure等指标获得最优值,且时间效率比CDSMOTE和PNS算法分别提升了32.27%和27.88%,凸显出更优越的鲁棒性和泛化性.

基于SVDD-PSSVM的地铁线网化集中监测系统

为加大地铁线网的监管力度,构建合理的地铁线网化集中调度环境,设计基于SVDD-PSSVM的地铁线网化集中监测系统。以集中线网化电路作为电子输入端,按需连接地铁线网数据通信模块与监测数据分析模块,实现监测系统的硬件执行环境搭建。在此基础上,通过选择地铁线网化簇边界样本的方式,标定集中型的簇状结构体,借助样本数据监测性能分析结果,实现系统的软件执行环境搭建,联合相关硬件设备结构,完成基于SVDD-PSSVM的地铁线网化集中监测系统设计。实验结果表明,与传统支持向量机型监测系统相比,SVDD-PSSVM型监测系统所能存储的地铁线网化数据总量更大,而所需的信息调度时间却相对更短,能够较好维护地铁线网化的集中调度环境,实现对地铁线网的严格监管。