期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于AdaBoost集成加权宽度学习系统的不平衡数据分类
被引量：
11
1
作者
王萌铎
续欣莹
+2 位作者
阎高伟
史丽娟
郭磊
《计算机工程》
CAS
CSCD
北大核心
2022年第4期99-105,112,共8页
宽度学习系统(BLS)是一种浅层的神经网络结构,具有快速训练、增量学习等特征,在处理类别不平衡数据时提取到的少数类别特征较少,导致识别结果不理想。提出一种基于AdaBoost集成加权宽度学习系统(AdaBoost-WBLS)的不平衡数据分类方法,通...
宽度学习系统(BLS)是一种浅层的神经网络结构,具有快速训练、增量学习等特征,在处理类别不平衡数据时提取到的少数类别特征较少,导致识别结果不理想。提出一种基于AdaBoost集成加权宽度学习系统(AdaBoost-WBLS)的不平衡数据分类方法,通过迭代实现权重的动态更新,获得更符合数据特征的权重,提升集成模型对少数类的识别能力。基于KKT条件,对加权宽度学习系统的加权优化过程进行推导,验证了对角权重对BLS模型误差的抑制作用。在AdaBoost-WBLS模型集成初始化时,采用基于类别信息的初始化权值策略,使模型具有更高的集成训练效率。在集成权重更新时,不同数据类别采用不同的正则化更新方式,保留数据的类内特征并增加类间区分度。在实验过程中,对AdaBoost-WBLS模型的不同参数进行寻优,得到相关参数在有限范围内的最优取值。实验结果表明,AdaBoost-WBLS模型相比AdaBoost和BLS类相关模型能有效改善少数类别特征的提取能力,并且在Satimage数据集上相比加权过采样的深度自编码器模型的G-mean高出4.36个百分点,明显提升了不平衡数据的识别能力。
展开更多
关键词
宽度
学习
系统
AdaBoost模型
不平衡数据
加权宽度学习系统
集成
学习
在线阅读
下载PDF
职称材料
LSTM-WBLS模型在日降水量预测中的应用
被引量：
7
2
作者
韩莹
管健
+1 位作者
曹允重
罗嘉
《南京信息工程大学学报（自然科学版）》
CAS
北大核心
2023年第2期180-186,共7页
基于长短时记忆网络(Long Short-Term Memory, LSTM)降水量预测模型存在过拟合、时滞现象,而宽度学习系统(Broad Learning System, BLS)无需多次迭代的特点有助于解决LSTM的上述缺点.加权宽度学习系统(Weighted Broad Learning System, ...
基于长短时记忆网络(Long Short-Term Memory, LSTM)降水量预测模型存在过拟合、时滞现象,而宽度学习系统(Broad Learning System, BLS)无需多次迭代的特点有助于解决LSTM的上述缺点.加权宽度学习系统(Weighted Broad Learning System, WBLS)通过在BLS中引入加权惩罚因子约束分配样本权重,降低噪声和异常值对降水量预测精度的影响.本文提出一种LSTM-WBLS日降水量预测模型,选取湖北省巴东站日降水量进行实证研究,并考虑气压、气温、湿度、风速和日照等因素对降水量的影响.实验结果表明,与现有的预测模型相比,LSTM-BLS模型在RMSE、MAE和R^(2)等评价指标上均有显著提升.不同时间步长下,本文模型预测精度均优于现有模型,验证了其稳定性.与LSTM相比,WBLS直接计算权重的特点使得LSTM-WBLS的运算效率并未降低.
展开更多
关键词
降水量预测
长短时记忆网络
宽度
学习
系统
加权宽度学习系统
多因素预测
在线阅读
下载PDF
职称材料
题名
基于AdaBoost集成加权宽度学习系统的不平衡数据分类
被引量：
11
1
作者
王萌铎
续欣莹
阎高伟
史丽娟
郭磊
机构
太原理工大学电气与动力工程学院
出处
《计算机工程》
CAS
CSCD
北大核心
2022年第4期99-105,112,共8页
基金
国家自然科学基金面上项目(61973226)
山西省自然科学基金(201801D121144)。
文摘
宽度学习系统(BLS)是一种浅层的神经网络结构,具有快速训练、增量学习等特征,在处理类别不平衡数据时提取到的少数类别特征较少,导致识别结果不理想。提出一种基于AdaBoost集成加权宽度学习系统(AdaBoost-WBLS)的不平衡数据分类方法,通过迭代实现权重的动态更新,获得更符合数据特征的权重,提升集成模型对少数类的识别能力。基于KKT条件,对加权宽度学习系统的加权优化过程进行推导,验证了对角权重对BLS模型误差的抑制作用。在AdaBoost-WBLS模型集成初始化时,采用基于类别信息的初始化权值策略,使模型具有更高的集成训练效率。在集成权重更新时,不同数据类别采用不同的正则化更新方式,保留数据的类内特征并增加类间区分度。在实验过程中,对AdaBoost-WBLS模型的不同参数进行寻优,得到相关参数在有限范围内的最优取值。实验结果表明,AdaBoost-WBLS模型相比AdaBoost和BLS类相关模型能有效改善少数类别特征的提取能力,并且在Satimage数据集上相比加权过采样的深度自编码器模型的G-mean高出4.36个百分点,明显提升了不平衡数据的识别能力。
关键词
宽度
学习
系统
AdaBoost模型
不平衡数据
加权宽度学习系统
集成
学习
Keywords
Broad Learning System(BLS)
AdaBoost model
imbalanced data
Weighted Broad Learning System(WBLS)
ensemble learning
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
LSTM-WBLS模型在日降水量预测中的应用
被引量：
7
2
作者
韩莹
管健
曹允重
罗嘉
机构
南京信息工程大学自动化学院
湖北省公众气象服务中心
出处
《南京信息工程大学学报（自然科学版）》
CAS
北大核心
2023年第2期180-186,共7页
基金
南方海洋科学与工程广东省实验室(珠海)基金(SML2020SP007)
国家自然科学基金(62076136)。
文摘
基于长短时记忆网络(Long Short-Term Memory, LSTM)降水量预测模型存在过拟合、时滞现象,而宽度学习系统(Broad Learning System, BLS)无需多次迭代的特点有助于解决LSTM的上述缺点.加权宽度学习系统(Weighted Broad Learning System, WBLS)通过在BLS中引入加权惩罚因子约束分配样本权重,降低噪声和异常值对降水量预测精度的影响.本文提出一种LSTM-WBLS日降水量预测模型,选取湖北省巴东站日降水量进行实证研究,并考虑气压、气温、湿度、风速和日照等因素对降水量的影响.实验结果表明,与现有的预测模型相比,LSTM-BLS模型在RMSE、MAE和R^(2)等评价指标上均有显著提升.不同时间步长下,本文模型预测精度均优于现有模型,验证了其稳定性.与LSTM相比,WBLS直接计算权重的特点使得LSTM-WBLS的运算效率并未降低.
关键词
降水量预测
长短时记忆网络
宽度
学习
系统
加权宽度学习系统
多因素预测
Keywords
precipitation forecast
long short-term memory(LSTM)network
broad learning system(BLS)
weighted broad learning system(WBLS)
multi-factor predication
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于AdaBoost集成加权宽度学习系统的不平衡数据分类
王萌铎
续欣莹
阎高伟
史丽娟
郭磊
《计算机工程》
CAS
CSCD
北大核心
2022
11
在线阅读
下载PDF
职称材料
2
LSTM-WBLS模型在日降水量预测中的应用
韩莹
管健
曹允重
罗嘉
《南京信息工程大学学报（自然科学版）》
CAS
北大核心
2023
7
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
