基于不均衡样本重构的加权在线贯序极限学习机

来源：计算机应用杂志2015年第6期北京时间：

作者：王金婉, 毛文涛, 何玲, 王礼云

单位：1. 河南师范大学 计算机与信息工程学院, 河南 新乡 453007;2. 河南省高校计算智能与数据挖掘工程技术研究中心, 河南 新乡 453007;3. 西北工业大学 力学与土木建筑学院, 西安 710129

摘要：针对现有学习算法难以有效提高不均衡在线贯序数据中少类样本分类精度的问题,提出一种基于不均衡样本重构的加权在线贯序极限学习机。该算法从提取在线贯序数据的分布特性入手,主要包括离线和在线两个阶段:离线阶段主要采用主曲线构建少类样本的可信区域,并通过对该区域内样本进行过采样,来构建符合样本分布趋势的均衡样本集,进而建立初始模型;而在线阶段则对贯序到达的数据根据训练误差赋予各样本相应权重,同时动态更新网络权值。采用UCI标准数据集和澳门实测气象数据进行实验对比,结果表明,与现有在线贯序极限学习机(OS-ELM)、极限学习机(ELM)和元认知在线贯序极限学习机(MCOS-ELM)相比,所提算法对少类样本的识别能力更高,且所提算法的模型训练时间与其他三种算法相差不大。结果表明在不影响算法复杂度的情况下,所提算法能有效提高少类样本的分类精度。

关键词：样本重构,极限学习机,主曲线,过采样,不均衡数据

基金资助：国家自然科学基金资助项目(U1204609);中国博士后科学基金资助项目(2014M550508);河南省基础与前沿技术研究计划项目(132300410430)。