动态误分类代价下代价敏感属性选择分治算法

代价敏感属性选择问题的目的是通过权衡测试代价和误分类代价,得到一个具有最小总代价的属性子集。目前,多数代价敏感属性选择方法只考虑误分类代价固定不变的情况,不能较好地解决类分布不均衡等问题。而在大规模数据集上,算法效率不理想也是代价敏感属性选择的主要问题之一。针对这些问题,以总代价最小为目标,设计了一种新的动态误分类代价机制。结合分治思想,根据数据集规模按列自适应拆分各数据集。基于动态误分类代价重新定义最小代价属性选择问题,提出了动态误分类代价下的代价敏感属性选择分治算法。通过实验表明,该算法能在提高效率的同时获得最优误分类代价,从而保证所得属性子集的总代价最小。     

一种基于重取样的代价敏感学习算法

大多数非均衡数据集的研究集中于纯重构数据集或者纯代价敏感学习,本文针对数据集类分布非均衡和不相等误分类代价往往同时发生这一事实,提出了一种以最小误分类代价为目标的基于混合重取样的代价敏感学习算法。该算法将两种不同类型解决方案有机地融合在一起,先用样本类空间重构的方法使原始数据集的两类数据达到基本均衡,然后再引入代价敏感学习算法进行分类,能提高少数类分类精度,同时有效降低总的误分类代价。实验结果验证了该算法在处理非均衡类问题时比传统算法要优越。     

嵌入代价敏感的极限学习机相异性集成的基因表达数据分类

极限学习机的相异性集成算法(Dissimilarity Based Ensemble of Extreme Learning Machine,D-ELM)在基因表达数据分类中能够得到较稳定的分类效果,然而这种分类算法是基于分类精度的,当所给样本的误分类代价不相等时,不能直接实现代价敏感分类过程中的最小平均误分类代价的要求。通过在分类过程中引入概率估计以及误分类代价和拒识代价重新构造分类结果,提出了基于相异性集成极限学习机的代价敏感算法(CS-D-ELM)。该算法被运用到基因表达数据集上,得到了较好的分类效果。     

决策粗糙集与代价敏感分类

将决策粗糙集与代价敏感学习相结合,提出了一种基于决策粗糙集的代价敏感分类方法。依据决策粗糙集理论和属性约简方法,对待预测样本分别计算最优测试属性集,使得样本在最优测试属性集上计算的分类结果具有最小误分类代价和测试代价,依此给出样本的最小总代价分类结果。针对全局最优测试属性集求解过程中计算复杂度高的问题,提出了局部最优测试属性集的启发式搜索算法。该算法以单个属性对降低总分类代价的贡献率为启发函数,搜索各样本的局部最优测试属性集,并输出在局部最优测试属性集上样本的代价敏感分类结果。在UCI数据上的实验分析显示,所提算法有效地降低了分类结果的总代价和测试属性个数,使得样本分类结果同时具有较小的误分类代价和较小的测试代价。     

基于样本邻域保持的代价敏感特征选择

特征选择是机器学习和数据挖据中一个重要的预处理步骤,而类别不均衡数据的特征选择是机器学习和模式识别中的一个热点研究问题。多数传统的特征选择分类算法追求高精度,并假设数据没有误分类代价或者有同样的代价。在现实应用中,不同的误分类往往会产生不同的误分类代价。为了得到最小误分类代价下的特征子集,本文提出一种基于样本邻域保持的代价敏感特征选择算法。该算法的核心思想是把样本邻域引入现有的代价敏感特征选择框架。在8个真实数据集上的实验结果表明了该算法的优越性。     

代价敏感相关向量机

相关向量机(RVM)是在稀疏贝叶斯框架下提出的稀疏模型,由于其强大的稀疏性和泛化能力,近年来在机器学习领域得到了广泛研究和应用,但和传统的决策树、神经网络算法及支持向量机一样,RVM不具有代价敏感性,不能直接用于代价敏感学习。针对监督学习中错误分类带来的代价问题,提出代价敏感相关向量分类(CS-RVC)算法,在相关向量机的基础上,通过赋予每类样本不同的误分代价,使其更加注重误分类代价较高的样本分类准确率,使得整体误分类代价降低以实现代价敏感挖掘。实验结果表明,该算法具有良好的稀疏性并能够有效地解决代价敏感分类问题。     

贝叶斯网络的代价敏感结构学习

针对最小化错误分类器不一定满足最小化误分类代价的问题,提出了一种代价敏感准则--即最小化误分类代价和最小化错误分类率的双重准则.研究了基于代价敏感准则的贝叶斯网络结构学习,要求搜索网络结构时在满足误分类代价最小的同时,还要满足错误分类率优于当前的最优模型.在UCI数据集上学习代价敏感贝叶斯网络,并与相应的生成贝叶斯网络和判别贝叶斯网络进行比较,结果表明了代价敏感贝叶斯网络的有效性.     

基于代价敏感的粗糙集近似集与粒度寻优算法

粗糙集的近似集用已有知识粒对不确定性目标概念进行近似描述,但在构建近似集时并没有考虑数据的代价信息这一实际因素.对此,首先分析在构建粗糙集的近似集时考虑代价信息的必要性;然后,从代价敏感角度构建误分类代价的粗糙集近似集模型,并分析该模型下求得的近似集的相关性质.为了在多粒度空间中寻找一个合适的粒度空间来对不确定性目标概念进行近似描述,使误分类代价与测试代价之和尽可能小,给出属性代价贡献率的定义,并提出一种代价敏感的粒度寻优算法.实验结果表明,所提出算法能适用于现有代价认知场景,并在给定代价场景下求出合理的层次粒度空间结构以及不确定性目标概念的近似集.     

基于K最近邻样本平均距离的代价敏感算法的集成

为了解决不均衡数据集的分类问题和一般的代价敏感学习算法无法扩展到多分类情况的问题，提出了一种基于K最近邻（KNN）样本平均距离的代价敏感算法的集成方法。首先，根据最大化最小间隔的思想提出一种降低决策边界样本密度的重采样方法；接着，采用每类样本的平均距离作为分类结果的判断依据，并提出一种符合贝叶斯决策理论的学习算法，使得改进后的算法具备代价敏感性；最后，对改进后的代价敏感算法按K值进行集成，以代价最小为原则，调整各基学习器的权重，得到一个以总体误分代价最低为目标的代价敏感AdaBoost算法。实验结果表明，与传统的KNN算法相比，改进后的算法在平均误分代价上下降了31.4个百分点，并且代价敏感性能更好。     

劣质数据上代价敏感决策树的建立

代价敏感决策树是以最小化误分类代价和测试代价为目标的一种决策树.目前,随着数据量急剧增长,劣质数据的出现也愈发频繁.在建立代价敏感决策树时,训练数据集中的劣质数据会对分裂属性的选择和决策树结点的划分造成一定的影响.因此在进行分类任务前,需要提前对数据进行劣质数据清洗.然而在实际应用中,由于数据清洗工作所需要的时间和金钱代价往往很高,许多用户给出了自己可接受的数据清洗代价最大值,并要求将数据清洗的代价控制在这一阈值内.因此除了误分类代价和测试代价以外,劣质数据的清洗代价也是代价敏感决策树建立过程中的一个重要因素.然而,现有代价敏感决策树建立的相关研究没有考虑数据质量问题.为了弥补这一空缺,着眼于研究劣质数据上代价敏感决策树的建立问题.针对该问题,提出了3种融合数据清洗算法的代价敏感决策树建立方法,并通过实验证明了所提出方法的有效性.     

考虑时间因素的双目标应急召回闭环网络规划

研究产品召回突发情况下的闭环供应链物流网络规划问题,考虑了产品召回紧迫性以及召回应急管理的管理特性,引入时间和召回率两类随机参数,提出了基于成本的召回处理时间反应函数,建立了基于总成本以及总召回处理反应时间的双目标随机混合整数规划模型.采用一类启发式算法对该模型进行求解,并用Matlab6.5软件进行编程求数值解.在数值解的基础上,进行相关参数的敏感件分析,结果表明网络选址结果具有一定的鲁棒性.     

动态传感器网络移动代理路由算法

提出一种基于蚁群优化的动态传感器网络移动代理能量有效路由算法.该算法设计了一种新的路径选择概率模型,使移动代理能找到一条从处理节点到目标节点之间的能量有效路径,该路径兼顾了路径能量消耗和节点剩余能量情况;该算法还制定了新的蚁群局部信息素再初始化规则,该规则在网络中发生动态变化的节点附近进行局部信息素再初始化,快速有效地更新最优路径.与其他算法相比,该算法能找到一条能量消耗较小,并且节点剩余能量较多的有效路径.     

具有传递变量的动态贝叶斯网络结构学习

针对现有学习方法对完全时间不对称数据的动态贝叶斯网络学习不具有实用性,提出一种借助传递变量进行完全时间不对称数据的动态贝叶斯网络结构学习方法.首先进行相邻时间片间的传递变量序列学习;然后,基于节点排序和局部打分一搜索,进行动态贝叶斯网络局部结构学习;最后通过时序扩展得到整个动态贝叶斯网络结构.     

非线性离散系统的贝叶斯-高斯神经网络逆模型设计

针对非线性系统逆模型的学习问题,提出一种基于贝叶斯-高斯神经网络(BGNN)的设计方法.BGNN模型的训练分为两个步骤,首先利用群智能优化算法进行BGNN的离线结构训练:然后用训练好的BGNN模型在线整合历史数据,进行非线性系统逆模型的获取.对水轮发电机组非线性系统进行了BGNN逆模型的仿真,结果表明了BGNN逆模型设计方法具有结构简单、在线辨识效果好等优点,适于非线性离散系统的逆模型设计.     

并行分布控制网络的实时信号时序流图分析

考虑并行分布控制网络中软件过程及物理过程作用和反作用的时间度量特性,定义带时间标签的信号模型,采用广义测度函数概念建立信号间的时间关序,由控制器接口组成网络节点的信号流图拓扑结构,确定信号作用时序的组合运算,从而分析软件设计和运行的确定性.     

基于高斯微粒群优化的动态神经网络延迟系统辨识

为提高神经网络对未知非线性大滞后动态系统的泛化能力,提出一种基于高斯微粒群优化的自适应动态前馈神经网络.在输入层与隐含层之间、隐含层与输出层之间分别加入动态延迟算子,可以高效地辨识出系统纯滞后时间,建立精确系统模型.此外,采用高斯函数和混沌映射方法平衡微粒群算法全局寻优能力,以克服提前收敛的缺陷,从而快速有效地自适应优化网络中的参数.仿真实验表明了该方法在非线性人滞后系统辨识中的有效性.     

基于损失厌恶型零售商的易逝品供应链价格补贴契约研究

在前景理论框架下,探讨了存在缺货损失下的由损失厌恶型零售商和风险中性型供应商组成的供应链价格补贴契约设计,研究了供应商为风险中性时,损失厌恶型零售商分别在批发价格契约和价格补贴契约下的订货行为.研究结果表明,损失厌恶型的零售商在批发价格契约下的订货可能偏离系统最优订货,供应商通过价格补贴契约可以协调整个供应链.最后通过算例分析,验证了价格补贴契约在协调供应链中的有效性.     

一类区间粗糙数型多属性决策方法研究

研究属性值为区间粗糙数,具有属性优先序信息的多属性决策问题.首先给出粗糙属性值的规范化公式;然后基于区间粗糙数的相离度定义,建立以极大化属性值的离差为目标的最优化模型来确定各属性权重;进而基于粗糙算术运算以及期望值算子,计算出各方案的期望效用值,从而获得各方案的排序;最后通过数值例子表明了所提出方法的有效性.     

从数据中提取生料浆配料过程运行控制的模糊规则

将减法聚类、神经网络、最相邻原则、对提取后的规则进行调整等方法相结合,从过程数据中自动提取出模糊规则,从而实现在氧化铝生料浆配料过程中将生料浆的各项质量指标控制在目标值范围内.某氧化铝厂的应用结果表明,所提取的模糊规则不仅具有良好的完备性和可解释性,同时可根据工况的变化自动调整各个控制回路的设定值,实现了该过程的优化运行.     

基于优势关系的多属性决策问题研究

针对属性权重未知的多属性决策问题,指出决策对象与理想对象之间的优势度与其属性值的概率测度及属性值大小之间有等价关系;借鉴博弈决策中的极大极小算法,提出用属性值的优势关系确定属性权重,并利用优势关系对决策对象进行排序并择优:最后,对属性值为区间数的多属性决策实例进行了分析,同时将该算法与离差最大化算法的异同点进行了对比,表明了算法的有效性.