适用于宽带接收阵列的无模糊二维DOA估计

为了满足宽带侦收的要求,提出了一种新的基于环形阵列的宽带天线阵列配置方案,利用2组独立空间欠采样通道得到有模糊的信号空域信息,并结合一定的解模糊算法和配对方法得到无模糊的空间信号到达角(DOA)估计. 仿真结果表明,所提算法在搜索量小的优势下能实现二维方向角的高精度估计及正确配对,且2组通道的采样数据可并行处理,增强了算法的实时性.     

基于宽带欠采样阵列的频率估计算法研究

鉴于宽带欠采样阵列的常规FFT频率估计算法只适用于输入信噪比较高且精度要求不高的单信号频率估计,给出了多组采样频率联合解模糊的方法,在无需增加复杂配对算法的情况下,实现了多信号频率的无模糊估计．针对常规FFT法估计精度不高的问题,提出了一种分级高分辨频率估计方法（CMUSIC算法）．该算法估计精度可达到10kHz级,相对于常FFT法的MHz级提高了至少一个数量级．最后,仿真结果验证了本文所提方法的有效性．     

面向不平衡数据集的煤矿监测系统异常数据识别方法

异常数据识别对于煤矿安全监测系统具有重要作用,但安全监测系统中异常数据一般只占数据总量的1%左右,不平衡性是此类数据的固有特点。目前多数机器学习算法在不平衡数据集上的分类预测准确率和灵敏度都相对较差。为了能准确识别异常数据,以煤矿分布式光纤竖井变形监测系统采集的数据为研究对象,提出了一种面向不平衡数据集、基于去重复下采样(RDU)、合成少数类过采样技术(SMOTE)和随机森林(RF)分类算法的煤矿监测系统异常数据识别方法。该方法利用RDU算法对多数类数据进行下采样,去除重复样本;利用SMOTE算法对少数类异常数据进行过采样,通过合成新的异常数据来改善数据集的不平衡性;并利用优化后的数据集训练RF分类算法,得到异常数据识别模型。在6个真实数据集上的对比实验结果表明,该方法的异常数据识别准确率平均值达到99.3%,具有较好的泛化性和较强的鲁棒性。     

Evolutionary under-sampling based bagging ensemble method for imbalanced data classification

In the class imbalanced learning scenario, traditional machine learning algorithms focusing on optimizing the overall accuracy tend to achieve poor classification performance especially for the minority class in which we are most interested. To solve this problem, many effective approaches have been proposed. Among them, the bagging ensemble methods with integration of the under-sampling techniques have demonstrated better performance than some other ones including the bagging ensemble methods integrated with the over-sampling techniques, the cost-sensitive methods, etc. Although these under-sampling techniques promote the diversity among the generated base classifiers with the help of random partition or sampling for the majority class, they do not take any measure to ensure the individual classification performance, consequently affecting the achievability of better ensemble performance. On the other hand, evolutionary under-sampling EUS as a novel undersampling technique has been successfully applied in searching for the best majority class subset for training a good-performance nearest neighbor classifier. Inspired by EUS, in this paper, we try to introduce it into the under-sampling bagging framework and propose an EUS based bagging ensemble method EUS-Bag by designing a new fitness function considering three factors to make EUS better suited to the framework. With our fitness function, EUS-Bag could generate a set of accurate and diverse base classifiers. To verify the effectiveness of EUS-Bag, we conduct a series of comparison experiments on 22 two-class imbalanced classification problems. Experimental results measured using recall, geometric mean and AUC all demonstrate its superior performance.     

基于随机森林和欠采样集成的垃圾网页检测

为解决垃圾网页检测过程中的不平衡分类和"维数灾难"问题,提出一种基于随机森林(RF)和欠采样集成的二元分类器算法。首先使用欠采样技术将训练样本集大类抽样成多个子样本集,再将其分别与小类样本集合并构成多个平衡的子训练样本集;然后基于各个子训练样本集训练出多个随机森林分类器;最后用多个随机森林分类器对测试样本集进行分类,采用投票法确定测试样本的最终所属类别。在WEBSPAM UK-2006数据集上的实验表明,该集成分类器算法应用于垃圾网页检测比随机森林算法及其Bagging和Adaboost集成分类器算法效果更好,准确率、F1测度、ROC曲线下面积(AUC)等指标提高至少14%,13%和11%。与Web spam challenge 2007 优胜团队的竞赛结果相比,该集成分类器算法在F1测度上提高至少1%,在AUC上达到最优结果。     

一种SVM不平衡分类方法及在故障诊断的应用

针对支持向量机不平衡样本分类倾斜性问题,提出一种欠采样支持向量机分类器。构建包含少类样本的最小封闭超球体,计算各个多类样本到包含少类样本最小封闭超球体球心的距离,利用该距离对多类样本进行欠采样,产生新的训练集,实现训练集的平衡。该方法和其他不平衡分类方法在基准数据集的分类结果表明该方法在识别率和分类速度方面的有效性。将该方法应用于永磁同步电机驱动电路功率开关管开路故障诊断中,结果表明该方法缩短故障分类器的训练时间,提高了故障分类器的泛化能力和诊断速度。     

植物抗性基因识别中的随机森林分类方法

为了解决传统基于同源序列比对的抗性基因识别方法中假阳性高、无法发现新的抗性基因的问题,提出了一种利用随机森林分类器和K-Means聚类降采样方法的抗性基因识别算法。针对目前研究工作中挖掘盲目性大的问题,进行两点改进:引入了随机森林分类器和188维组合特征来进行抗性基因识别,这种基于样本统计学习的方法能够有效地捕捉抗性基因内在特性;对于训练过程中存在的严重类别不平衡现象,使用基于聚类的降采样方法得到了更具代表性的训练集,进一步降低了识别误差。实验结果表明,该算法可以有效地进行抗性基因的识别工作,能够对现有实验验证数据进行准确的分类,并在反例集上也获得了较高的精度。     

剪枝与欠采样相结合的不平衡数据分类方法*

通过剪枝技术与欠采样技术相结合来选择合适数据,以提高少数类分类精度,研究欠采样技术在不平衡数据集环境下的影响。结果表明,与直接欠采样算法相比,本文算法不仅在accuracy值上有所提高,更重要的是大大改善了g-means值,特别是对非平衡率较大的数据集效果会更好。     

基于数据密度分布的欠采样方法研究*

针对传统欠采样方法对不平衡数据集重采样时,容易丢失多数类样本信息的问题,本文提出一种基于数据密度分布的欠采样方法US-DD,该方法引入数据密度的概念,并以此概念为依据将数据划分为高密度数据簇和低密度数据簇,高密度数据簇数据高度集中,低密度数据簇数据稀疏松散,两种不同数据簇对分类的意义也不同,因此可以针对不同密度的数据簇,执行不同的重采样策略,以达到改善数据平衡度的目的。实验通过选取6组UCI数据集,采用C4.5决策树、支持向量机作为分类器,将US-DD与随机欠采样、KNN-NearMiss等方法进行比较,实验结果表明,该方法对不平衡数据分类有较好的效果,能有效提升分类器对少数类的识别性能。     

基于自动抑制的传感器欠采样CT影像降噪方法

提出了一种基于自动抑制的传感器欠采样CT投影域奇异值点抑制方法。为因传感器感应不足造成的短穿透距离和异值噪声较多的投影数据区域进行判定,之后依据判断的异值点自动选择合理阈值,并进行滤波,从而减少了经验值设置,提高了程序自动化抑制噪声的程度,并使得图像统计分布更趋于非平稳高斯分布。经过模拟仿真验证得出：该方法对因低剂量CT扫描造成的欠采样噪声,尤其是对设备老化和因经验设置造成的过大过小滤波问题具有很好的处理效果。