基于代价敏感卷积神经网络的非平衡问题混合方法

非平衡问题是数据挖掘领域中普遍存在的一个问题,数据的偏态分布会使得分类器的分类效果不理想。卷积神经网络作为一种高效的数据挖掘工具,被广泛应用于分类任务,但其训练过程若受到数据非平衡的不利影响,则将导致少数类的分类准确率下降。针对二分类非平衡数据分类问题,文中提出了一种基于代价敏感卷积神经网络的非平衡问题混合方法。首先将密度峰值聚类算法与SMOTE相结合,通过过采样对数据进行预处理,降低原始数据集的不平衡程度;然后利用代价敏感思想对非平衡数据中的不同类别给予不同权重,并考虑预测值与标签值之间的欧氏距离,对非平衡数据中多数类和少数类赋予不同的代价损失,构建代价敏感卷积神经网络模型,以提高卷积神经网络对少数类的识别率。选取6个不同的数据集,用于验证所提方法的有效性。实验结果表明,所提方法可以提高卷积神经网络模型对非平衡数据的分类性能。     

Java动画编程优化技术

Java动画编程在游戏软件开发、程序设计中应用广泛。针对不同环境下的Java动画编程的常用技术进行了分析,介绍了根据不同编程环境,消除动画闪烁及优化显示效果的技巧。     

SmartHome的预测算法研究与比较

对SmartHome项目涉及的用于预测的机器学习算法如ALZ、ED、SHIP等进行了研究比较和探讨，针对其作为预测算法的优缺点进行了研究综述     

Active LeZi算法的改进

基于LZ压缩算法的Active Lezi算法,用于机器人定位、文本数据和时序数据的预测及统计时,原滑动窗口设立的缺陷,导致生成编码的遗漏而降低预测率及统计效率,本文对ALZ算法进行了研究和改进,在原滑动窗口设计缺陷上提出了双窗口结构,在滑动窗口处理大量重复源码方面实现了程序改进,提高了生成编码统计和预测准确率,改进了ALZ算法。