基于深度神经网络对抗与集成的不平衡数据分类方法研究

发布时间：2021-08-01 20:30

　　数据分类是机器学习和数据挖掘中获取数据中的信息和价值的一种重要手段,传统的数据分类算法通常运用于数据概率分布平衡的数据集,但是在实际生活和工业生产中,很多数据集中正负样本的分布往往是不平衡的,而少数类样本数据又具有更重要的信息,少数类样本分类错误可能需要付出很大的代价,如医疗诊断、信用卡诈骗检测等。在这种情况下,以总体的分类准确率为目标的传统分类算法并不适用于解决这一类的问题。针对不平衡数据分类问题中的难点,本文提出了一种基于深度神经网络集成的不平衡数据分类方法,利用深度神经网络提取复杂问题样本中的潜在特征,基于进化算法提高深度神经网络的训练效果,通过生成对抗模型改善数据样本的不平衡状况,最后通过深度神经网络集成来提高综合分类性能。本文的主要成果和创新点如下:（1）提出了一个基于进化深度神经网络的不平衡数据分类模型,通过深度自编码器（Deep Autoencoder,DAE）以及深度玻尔兹曼机（Deep Boltzmann Machine,DBM）提取不平衡数据中的潜在特征,通过水波优化算法（Water Wave Optimization,WWO）对深度神经网络的结构和参数进行优化,实... 

【文章来源】：浙江工业大学浙江省

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究的背景及意义
    1.2 国内外研究现状
        1.2.1 不平衡数据预处理
        1.2.2 不平衡数据分类的传统方法
        1.2.3 基于神经网络集成的数据分类方法
        1.2.4 基于深度神经网络的数据分类方法
    1.3 本文的主要研究工作
    1.4 本章小结
第二章 论文相关基础知识
    2.1 神经网络
    2.2 生成式对抗网络
    2.3 神经网络集成
    2.4 水波优化算法
    2.5 本章小结
第三章 基于进化深度神经网络的不平衡数据分类
    3.1 浅层神经网络在不平衡数据分布中的缺陷
    3.2 基于深度神经网络的不平衡数据分类
    3.3 深度神经网络的进化训练算法
        3.3.1 基于进化算法的深度神经网络参数优化方法
        3.3.2 基于进化算法的深度神经网络参数与结构优化方法
    3.4 计算实验
    3.5 本章小结
第四章 基于生成对抗网络的不平衡数据分类及其应用
    4.1 深度对抗去噪自编码器
    4.2 计算实验
    4.3 在电信诈骗检测中的应用
    4.4 本章小结
第五章 基于进化神经网络集成的不平衡数据分类
    5.1 基于深度神经网络集成的不平衡数据分类
    5.2 基于进化算法的深度神经网络集成的优化方法
    5.3 计算实验
    5.4 本章小结
第六章 结论与展望
    6.1 结论
    6.2 展望
参考文献
致谢
作者简介
    1 作者简历
    2 攻读硕士学位期间发表的学术论文
    3 参与的科研项目及获奖情况
学位论文数据集


【参考文献】：
期刊论文
[1]基于多尺度匹配滤波和集成学习的眼底图像微脉瘤检测[J]. 彭英辉,张东波,沈奔.  计算机应用. 2013(02)
[2]不平衡数据分类的混合算法[J]. 韩敏,朱新荣.  控制理论与应用. 2011(10)
[3]不平衡类数据挖掘研究综述[J]. 翟云,杨炳儒,曲武.  计算机科学. 2010(10)
[4]不平衡分类问题研究综述[J]. 叶志飞,文益民,吕宝粮.  智能系统学报. 2009(02)
[5]基于最近邻规则的神经网络训练样本选择方法[J]. 郝红卫,蒋蓉蓉.  自动化学报. 2007(12)

博士论文
[1]选择性神经网络集成算法研究[D]. 傅强.浙江大学 2007

硕士论文
[1]基于卷积网络集成的面部表情识别方法[D]. 刘旷.浙江大学 2016



本文编号：3316198