控制与决策

作者：徐鹏飞,王敏,刘金平,唐朝晖,马天雨

单位：湖南师范大学 信息科学与工程学院,长沙 410081,,湖南师范大学 信息科学与工程学院,长沙 410081,,湖南师范大学 信息科学与工程学院,长沙 410081,,中南大学 自动化学院,长沙 410083,,湖南师范大学 信息科学与工程学院,长沙 410081,

关键词：非均衡数据;代价敏感;宽度学习系统;自适应模型结构选择;增量学习

基金：国家自然科学基金项目(61971188)；湖南省自然科学基金项目(2018JJ3349)；湖南省教育厅优秀青年项目(19B364)；湖南省知识产权战略推进专项项目(2019F012K)；湖南省研究生科研创新项目(CX20190415).

宽度学习系统(broad learning system,BLS)作为深度神经网络的替代框架,具有快速自适应模型结构选择和在线增量学习能力,被认为是知识发现和数据工程领域中一种极具前途的技术.传统的BLS主要应用于数据分 布均衡且误分类代价相同的模式分类任务,但大多数实际应用的数据是非均衡分布的,如网络入侵监测、医疗诊断、信用卡欺诈检测等.基于此,提出一种基于数据分布特性的代价敏感BLS(data distribution-based cost-sensitive-BLS,DDbCs-BLS),解决数据分布不均、误分代价不同的模式分类任务.DDbCs-BLS在充分考虑数据统计分布特性的基础上寻找代价敏感型BLS分类器的最佳分类边界,保证少数类样本信息不被丢失,从而提高BLS在各类数据集上的模式分类性能.在多种公共数据集(包括均衡和不均衡数据集)上进行大量的验证性和对比性实验,结果表明DDbCs-BLS能有效确定分类边界线的最佳位置,无论是在均衡数据集还是在不均衡数据集上均能获得更好的分类性能.

来源：2021年第7期

《控制与决策》期刊编辑部

查看控制与决策杂志2021年第7期