面向不平衡数据集的线性分类方法研究

近年来,面向不平衡数据集的分类器学习与推广问题越来越受到人们的关注,在此以机器学习数据库、美国邮政编码、2维元音等国际上典型的分类问题为应用背景,重点研究如何用线性分类器解决样本数不平衡的问题;对Fisher、伪逆和单层感知器等3种典型的线性分类器做了深入的研究,并将这3种线性分类方法应用到不平衡数据集的分类中;通过实验及分析,这些新方法对平衡数据集的线性分类起到了良好的分类效果。

一种李群机器学习线性分类算法研究

根据李群具有微分流形的性质,提出了一种李群机器学习的线性分类算法.该分类方法的思想是:首先将样本数据集嵌入到微分流形当中,每个实例对应着流形上的一个点,利用测地线距离度量两个实例间的距离;然后,根据测试实例和训练数据集中实例间测地线距离的代数关系,确定测试实例的分类.实验测试表明,该线性分类算法较k-最近邻算法(KNN)及NaiveBayes分类算法具有较高的分类精度.

不整合结构识别方法研究——以车排子地区为例

不整合结构是重要的横向输导体,不同类型的不整合结构具有不同的油气输导作用,因此正确识别不整合结构对油气成藏研究具有积极的意义。通过车排子地区不整合结构的研究,综合运用精确合成地震记录、录井岩性接触关系及测井曲线变化特征确定不整合面;利用常规测井资料的交会图及多参数Fisher线性分类方法划分不整合结构。结果显示Fisher线性分类方法效果较好,能较好地划分不整合各层结构,可以为本区油气成藏提供一定的参考。