CS-MRI中评价随机欠采样矩阵的新方法

在压缩感知-磁共振成像(CS-MRI)中,随机欠采样矩阵与重建图像质量密切相关.而选取随机欠采样矩阵一般是通过计算点扩散函数(PSF),以可能产生的伪影的最大值为评价参数,评估欠采样对图像重建的影响,然而最大值只反应了伪影的最坏情况.该文引入了两种新的统计学评价参数平均值(MV)和标准差(SD),其中平均值评估了伪影的平均大小,标准差可以反映伪影的波动情况.该文分别使用这3种参数对小鼠和人体脑部MRI数据以不同的采样比率进行CS图像重建,实验结果表明,当采样比率不低于4倍稀疏度时,使用平均值获得了质量更优的重建图像.因此,通过稀疏度先验知识指导合理选取采样比率,并以平均值为评价参数选取随机欠采样矩阵,能够获得更优的CS-MRI重建图像.

基于随机欠采样算法的信用风险研究

针对数据不平衡导致的信用风险识别精度低的问题,利用随机欠采样算法对数据集平衡处理后,采用Logistic回归模型以及随机森林、决策树、XGboost和支持向量机等分类算法分别建立模型并进行预测。实证结果表明,随机欠采样算法可以将信用卡欺诈风险的预测精度从低于75%提升至85%以上,且G-mean和AUC等衡量非平衡数据分类性能的指标均有明显提高,该算法能够有效缓解数据不平衡导致的风险预测性能低下的问题。

基于改进BP-Bagging算法的光伏电站故障诊断方法

针对基于机器学习算法的光伏电站故障诊断方法存在的样本数据失衡问题,提出一种基于改进BP-Bagging算法的光伏电站故障诊断方法。首先,基于BP神经网络构建光伏数据与光伏故障类型的映射关系,实现光伏故障诊断;然后,基于随机欠采样方法改进Bagging算法,解决样本的类不平衡问题;接着,针对BP网络存在的过拟合问题,提出基于改进BP-Bagging算法的光伏电站故障诊断模型,并行训练多个BP网络,根据投票法得出故障诊断结果;最后,设置不同算法对照实验,计算出关于模型准确率的评价指标,证明所提方法具有较高的综合性能,在一定程度上能够解决光伏电站故障诊断中的样本类不平衡问题,提高光伏电站故障诊断的准确率。

面向不平衡数据的信用卡异常交易模型研究

本研究针对金融交易数据中欺诈检测的挑战,特别是在类别不平衡问题上,提出了一套综合处理方案。通过实施随机欠采样和 SMOTE 过采样技术,有效平衡了欺诈与非欺诈交易的数据比例,优化了模型学习环境。然而,研究也揭示了过采样模型在欺诈预测上的波动性,以及欠采样模型在增加假阴性预测上的局限性。因此,未来研究将聚焦于对过采样数据集进行异常值处理,以进一步提升模型精确度,并探索数据混洗对模型稳定性和预测性能的影响,为金融欺诈检测领域处理不平衡数据集提供了一个解决思路。

非平衡学习的地震断层识别研究

利用三维地震数据开展断层自动识别研究时发现,基于矿区揭露信息的数据集的构建直接影响了机器学习算法对断层识别的最终效果。在实际工作中,可收集到的已揭露的断层点数量往往远小于非断层点的数量,这导致构建的地震属性数据集是不平衡的。在机器学习领域,解决非平衡数据集分类常用的方法主要有三类,主要包括:基于数据集重构的重采样方法;结合多个学习器对数据进行综合判断的集成学习方法.

基于RU-SMOTE-SVM的金融市场极端风险预警研究

本文以上证综指和深证成指为研究对象,将随机欠采样(RU)、合成少数类过采样(SMOTE)与传统支持向量机(SVM)相结合,提出了一种改进的SVM模型——RU-SMOTE-SVM模型来预测我国金融市场极端风险,并与传统SVM、SMOTE-SVM、RU-SMOTE-NN和RU-SMOTE-DT进行比较。实证结果表明,RU-SMOTE-SVM既优于传统SVM模型,又比SMOTE-SVM具有更高的预测精度,同时还展示出比RU-SMOTE-NN和RU-SMOTE-DT更为优越的预测性能。

基于逻辑回归的不平衡数据算法适用性研究

逻辑回归模型容易受到不平衡数据的影响,本文主要探究了随机欠采样法、Border Line-Smote (BLS)过采样法、自适应综合过采样法(Synthetic Minority Oversampling Technique)等三种不平衡数据算法对逻辑回归模型的适用情况。利用逻辑回归模型分别对三种方法平衡之后的数据,处理之后发现BLS过采样法得出的各项指标最优,ADASYN过采样法得出的各项指标最差,最终得出BLS过采样法更适用于逻辑回归模型的不平衡数据集的处理。

面向XGBoost的课程评价文本智能分类模型

对数据量大的评价文本内容进行分类分析较困难,为解决这一难题,提出面向XGBoost的评价文本智能分类模型,在样本不均衡问题下采用随机欠采样方法进行处理,对文本内容使用jieba分词和停用词进行词向量表示,使用PCA(主成分分析)进行特征降维,使用交叉验证方法寻找XGBoost最优参数。为验证模型的有效性,分别在1647条数据以及9994条数据上进行实验。实验结果表明,XGBoost模型在评价文本分类时精准率、召回率、F1值分别达到了87.62%、87.73%、87.67%。面向XGBoost的评价文本智能分类模型不仅能快速对数量大的评价文本内容进行分类,而且能有效降低人工分类误差。

基于一维卷积神经网络的加密单数据包分类

针对基于卷积神经网络的流量分类方法中流量数据范围选取会直接影响精度结果的问题,提出了基于一维卷积神经网络的加密单数据包分类算法。通过提取出五元组和应用层数据信息形成特定格式的样本数据,最大最小归一化处理后作为一维卷积神经网络的输入,实现对单个流量数据包分类;然后对经典一维卷积神经网络结构进行改进,设计自适应池化层,完成模型训练,避免测试数据压缩或截取的同时达到提高分类精度的效果,实现对不同长度样本数据的流量分类。通过公开数据集的系列仿真实验测试结果表明,选取676字节的样本数据对12分类的加密流量准确率达到了98.82%,且该模型具有较好的泛化能力。