10.19678/j.issn.1000-3428.0063871
基于卷积神经网络的结构化非平衡数据分类算法
卷积神经网络具有高效的特征提取能力和较少的参数量,被广泛应用于图像处理、目标跟踪、自然语言等领域.针对传统分类模型对于结构化非平衡数据分类效果较差的问题,提出一种基于卷积神经网络的二分类结构化非平衡数据分类算法.设计结构化数据处理算法Data-Shuffle,将原始非平衡一维结构化数据转换为三维数组形式的多通道非平衡数据,为卷积神经网络提供更多的特征值,通过改进的VGG网络构建适合非平衡数据的网络结构卷积组,以提取不同的特征.在此基础上,提出更新权重加权采样算法UWSCNN,在每个迭代次数之后,根据模型的训练结果对易错样本进行重新加权,以优化训练结果.在adult、shoppers和diabetes数据集上的实验结果表明,相比逻辑回归、随机森林等传统机器学习模型,所提的Data-Shuffle算法的F1值提升了1％～19％,G-mean提升了2％～24％,相比SMOTECNN、BSMOTECNN、SMOTECNN+CS等采样算法,所提的UWSCNN算法对非平衡数据的分类效果提升了1％～13％,有效提高模型对非平衡数据的分类性能.
非平衡数据、结构化数据、VGG网络、深度学习、卷积神经网络
49
TP183(自动化基础理论)
国家自然科学基金;上海市科技创新行动计划项目;上海市科技创新行动计划项目;上海科学技术委员会基金
2023-02-22（万方平台首次上网日期，不代表论文的发表时间）
共9页
81-89
