基于Lévy分布的不平衡数据过采样方法

针对不平衡数据集上的分类问题，提出了基于Lévy分布的过采样方法，其核心思想是根据初始数据集的分布，利用Lévy分布构造新样本的密度分布。基于Lévy分布的特性，使得从边界样本合成的新样本密度最大，靠近多数类的样本合成的新样本密度次之，靠近少数类的样本合成的新样本密度最小。因此，该算法可以增强分类边界，同时可以减小噪声生成。通过在多个数据集上的实验，表明所提算法可以有效改善不平衡数据的分类效果。     

基于KNN和自适应的过采样方法

针对少数类合成过采样技术（Synthetic Minority Oversampling Technique,SMOTE）及其改进算法在不平衡数据分类问题中分类效果不佳，提出了基于K最邻近算法（K-NearestNeighbor,KNN）和自适应的过采样方法（Oversampling Method Based on KNN and Adaptive,KAO）。首先，利用KNN去除噪声样本；其次，根据少数类样本K近邻样本中多数类样本数，自适应给少数类样本分配过采样权重；最后，利用新的插值方式生成新样本平衡数据集。在KEEL公开的数据集上进行实验，将提出的KAO算法与SMOTE及其改进算法进行对比，在F1值和g-mean上都有所提升。     

高效8倍过采样异步串行数据恢复

异步串行数据接口要求接收器恢复数据,方式是对比特流进行检查,并在所发送数据未附带时钟时确定每个位的采样位置。传统的采样数据恢复方法是利用多时钟相位法,此方法利用两个或两个以上的DCM来产生时钟相位,会产生抖动容限的降低,影响采样精度。使用Virtex-4和Virtex-5器件中各IOB内置的IDELAY资源来实现用于异步串行比特流的高效高性能8倍过采样器。相比用多个DCM生成时钟相位时,这种技术可以提供比多时钟相位法更高的采样精度。     

∑—△模数转换器及其应用

本文评述∑－△模数转换器的工作原理及其产品类型和发展动向，同时介绍模拟器件公司的中行输入输出ＡＤ７７１０系列的基本特点与应用举例。     

基于混合采样的非平衡数据分类算法

过采样和欠采样方法是处理非平衡数据集分类的常用方法,但使用单一的采样算法可能造成少数类样本过拟合或者丢失含有重要信息的样本。提出了基于分类超平面的混合采样算法SVM_HS(hybrid sampling algorithm based on support vector machine),旨在克服SVM算法在处理非平衡数据时分类超平面容易偏向少数类样本的问题。该算法首先利用SVM算法得到分类超平面。然后迭代进行混合采样,主要包括:(1)删除离分类超平面较远的一些多数类样本;(2)对靠近真实类边界的少数类样本用SMOTE(synthetic minority oversampling technique)过采样,使分类超平面向着真实类边界方向偏移。实验结果表明相比其他相关算法,该算法的F-value值和G-mean值均有较大提高。     

基于高阶Sigma􀀁Delta 调制的数字波合成方法

自校准技术是智能传感器和/或智能测试系统中必须具备的功能.而这一功能的实现,往往需要将一高信噪比、高准确度的校准激励信号源集成在智能传感器和/或智能测试系统中.本文将讨论Sigma-Delta技术用于产生校准激励信号源.研究表明:基于高阶Sigma-Delta调制的数字波频率合成技术,在产生高信噪比、高准确度的校准激励信号的同时,不需要高精度的DAC.实验的结果验证了讨论方法.     

针对不平衡数据的过采样和随机森林改进算法

针对数据不平衡带来的少数类样本识别率低的问题,提出通过加权策略对过采样和随机森林进行改进的算法,从数据预处理和算法两个方面降低数据不平衡对分类器的影响。数据预处理阶段应用合成少数类过采样技术(Synthetic Minority Oversampling Technique,SMOTE)降低数据不平衡度,每个少数类样本根据其相对于剩余样本的欧氏距离分配权重,使每个样本合成不同数量的新样本。算法改进阶段利用Kappa系数评价随机森林中决策树训练后的分类效果,并赋予每棵树相应的权重,使分类能力更好的树在投票阶段有更大的投票权,提高随机森林算法对不平衡数据的整体分类性能。在KEEL数据集上的实验表明,与未改进算法相比,改进后的算法对少数类样本分类准确率和整体样本分类性能有所提升。     

基于OFDM传输系统的数字功率放大器设计

以测井系统的井下恶劣环境为应用背景,通过过采样技术、Sigma_Delta调制和PWM(脉宽调制)技术,实现了一种高稳定性的高性能数字D类放大器的设计。在Matlab软件下对设计进行了仿真实现,为实际硬件设计提供了依据。通过放大后的信噪比达到78 dB,等效为13 bit的DAC性能,可用于基于OFDM的测井传输系统,并完成了低功耗、高稳定性的FPGA和模拟电路的实现。     

基于改进SMOTE的制造过程不平衡数据分类策略

不平衡数据分析是智能制造的关键技术之一,其分类问题已成为机器学习和数据挖掘的研究热点。针对目前不平衡数据过采样策略中人工合成数据边缘化且需要降噪处理的问题,提出一种基于改进SMOTE（synthetic minority oversampling technique）和局部离群因子（local outlier factor,LOF）的过采样算法。首先对整个数据集进行[K]-means聚类,筛选出高可靠性样本进行改进SMOTE算法过采样,然后采用LOF算法删除误差大的人工合成样本。在4个UCI不平衡数据集上的实验结果表明,该方法对不平衡数据中少数类的分类能力更强,有效地克服了数据边缘化问题,将算法应用于磷酸生产中的不平衡数据,实现了该不平衡数据的准确分类。     

改进SMOTE的不平衡数据集成分类算法

针对不平衡数据集的低分类准确性,提出基于改进合成少数类过采样技术（SMOTE）和AdaBoost算法相结合的不平衡数据分类算法（KSMOTE-AdaBoost）。首先,根据K近邻（KNN）的思想,提出噪声样本识别算法,通过样本的K个近邻中所包含的异类样本数目,对样本集中的噪声样本进行精确识别并予以滤除;其次,在过采样过程中基于聚类的思想将样本集划分为不同的子簇,根据子簇的簇心及其所包含的样本数目,在簇内样本与簇心之间进行新样本的合成操作。在样本合成过程中充分考虑类间和类内数据不平衡性,对样本及时修正以保证合成样本质量,平衡样本信息;最后,利用AdaBoost算法的优势,采用决策树作为基分类器,对平衡后的样本集进行训练,迭代多次直到满足终止条件,得到最终分类模型。选择G-mean、AUC作为评价指标,通过在6组KEEL数据集进行对比实验。实验结果表明,所提的过采样算法与经典的过采样算法SMOTE、自适应综合过采样技术（ADASYN）相比,G-means和AUC在4组中有3组最高;所提分类模型与现有的不平衡分类模型SMOTE-Boost,CUS-Boost,RUS-Boost相比,6组数据中：G-means均高于CUS-Boost和RUS-Boost,有3组低于SMOTE-Boost;AUC均高于SMOTE-Boost和RUS-Boost,有1组低于CUS-Boost。验证了所提的KSMOTE-AdaBoost具有更好的分类效果,且模型泛化性能更高。     

基于Σ-△ ADC热电阻信号采集模块设计

本文设计了一种基于Σ-△ADC的热电阻信号采集从站模块,比较了工业过程控制中模数转换的三种常用方法,详细介绍∑-△ADC原理和硬件电路,给出了软件主要流程图.本模块利用ADS1242这款24位高精度∑-△ADC和80C52内核单片机进行多通道热电阻信号的采集和处理,具有实用性强、精度高、可靠性高等优点.     

基于过采样的归一化累积量盲均衡算法

传统的波特间隔均衡器只能补偿接收信号混叠的频率响应特性,并不能补偿信道畸变。针对这一问题提出一种基于过采样的归一化累积量算法,先对接收信号进行过采样,再利用变步长自适应调整均衡器的抽头系数,不仅能避免算法陷入局部最优,而且还能有效补偿信道畸变。仿真表明:引入过采样和变步长的盲均衡算法,有效地提高了收敛速度,降低了稳态剩余误差。     

Σ—ΔADC分析与改进

介绍了Σ－Δ型模拟／转换原理，阐述了Σ－Δ型转换器获得高分辨率的本质，提出了几种实用改进方法，并加以论证。     

过采样理论在LPC1766上的应用

介绍了过采样理论的有关内容。通过Matlab仿真验证其可行性后,在低功耗微处理器LPC1766上设计了一种过采样的算法,实现了使LPC1766片内12位A/D的采样精度提高到16位。     

结合缠论和深度学习的股价拐点预测研究

针对股市存在伪分型且分型数据集的类别样本不平衡问题,提出了一种结合缠论和深度学习的拐点预测方法（SMOTE-FLCN-WSVM）。在缠论的基础上,对数据集进行拐点的标注。深度学习模型从数据、特征以及分类算法三个层面对不平衡问题进行改进。首先采用SMOTE过采样算法对数据集进行预处理;再针对不平衡数据集特征提取困难的问题,使用引入Focal Loss的卷积神经网络挖掘数据的深层特征;然后利用引入类别权重参数的支持向量机对提取的特征进行分类。实验从实用性与有效性出发,选择绝对收益、相对收益与准确率对模型进行对比实验与收益评估。实验结果表明,所提模型具有可行性与实际应用价值。     

基于支持向量机的指纹图像质量分类方法

指纹图像的质量测量与评价,在指纹图像分割、增强及指纹匹配等环节都有重要应用.同时,指纹图像的质量分类,对指纹识别算法的适用性研究也有重要意义.本文提出一种基于支持向量机的指纹图像质量分类方法.该方法选择梯度、Gabor特征、方向对比度等指标,利用支持向量机有效实现指纹图像质量分类.并采用少类样本合成过采样技术(SMOTE)降低指纹图像质量好坏的类别不平衡问题对分类的影响.理论分析和实验结果都表明该方法能够较为有效地提高指纹图像质量分类的正确率.     

基于集成学习与不平衡数据的返贫预测

中国在扶贫工作取得决定性成就的同时,仍有一些脱贫人口存在返贫风险。本文基于不平衡数据集,利用SMOTE模型对返贫类别样本进行过采样处理,处理后的返贫与未返贫样本数据比例为3:1;接着建立基于Stacking集成学习的返贫预测模型,利用网格搜索对各个模型超参数进行寻优,结合10折交叉验证提高模型的泛化能力。本文使用4种不同的融合模型对脱贫户是否返贫进行预测。实验结果表明,与单一模型相比,模型融合后的分类效果要优于单独的分类器,其中最优融合模型的Acc为0.962,F1-score为0.946。     

一种提高INSAR干涉图质量的新方法

如何获取高质量的干涉图是INSAR技术的核心问题之一.首先概述了干涉图中存在的噪声,并对干涉图中频谱混叠现象的成因及其影响进行了重点分析.针对SAR影像距离向和方位向频谱的特性,通过增加影像频谱中空白带的带宽对影像进行过采样,从而成功消除了干涉图中的频谱混叠现象.针对过采样后干涉图数据量激增的问题,利用干涉图频谱的理论权函数推导了欠采样函数.最后,利用ERS数据验证了文中的过采样方法能有效消除干涉图中的频谱混叠现象,显著提高干涉图质量.同时,利用文中推导的欠采样函数可以使干涉图在恢复原始大小的同时,使噪声得到进一步抑制.