<wbr id="a7gzs"></wbr>
    <wbr id="a7gzs"></wbr>
  1. 
    

      收藏本站
      《江苏大学》 2019年
      收藏 | 手机打开
      二维码
      手机客户端打开本文

      基于条件生成对抗网络和超限学习机的小样本数据处理方法研究

      李秋玮  
      【摘要】:随着科学技术的不断进步,数据的重要性不断凸显,从大量数据中获取蕴藏的知识是数据处理的目标所在。然而,许多如医学医药、国防工业、航空航天等领域因环境、时间、成本等多方面因素,无法获取足够多的数据。由于样本数目较少,现有基于数据驱动的机器学习方法在小样本数据上处理性能不高。如何对小样本数据进行有效的处理为现有机器学习方法提出了新的挑战。本文在条件生成对抗网络扩大小样本数据的基础上,利用基于粒子群优化的超限学习机实现小样本数据的特征提取和分类。主要工作如下:(1)现有的条件生成对抗网络所生成的样本,存在类间差异度较小、不同类别的生成样本难以区分的缺陷。针对此,本论文提出一种基于类间距离的条件生成对抗网络方法。首先,运用最大期望算法对原始样本中的缺失值进行填充,然后在条件生成对抗网络模型的生成网络中加入类间区分度信息。在带有类别信息标签数据的情况下,有效地生成具有区分度的不同类别样本。所提出的方法在扩充样本数量的同时可以对各个类别样本起到积极的区分作用,有助于机器学习算法对包含所生成样本的扩充后的数据集展开进一步分析。实验结果表明,在多个小样本数据集及MNIST上,改进的条件生成对抗网络所生成的样本相比于传统方法具有较大的类间距离以及较为明显的类间区分度。(2)针对传统超限学习机方法因随机初始化权值影响其泛化性能的鲁棒性问题,本文提出一类基于粒子群优化算法的双隐层超限学习机,旨在提升小样本数据的特征提取和特征分类性能。模型的第一层采用基于自动编码器结构的变长超限学习机,以此提取有效的数据特征;模型的第二层采用基于粒子群优化算法的变长超限学习机,即利用粒子群算法分别通过拟合误差及分类交叉熵作为适应值函数,优化双隐层网络中的权值,以此对小样本数据进行更为准确地分类。除此之外,该方法有效限制了隐含层节点的过度增长,避免了超限学习机的过拟合问题。实验结果表明,在六个基准分类数据集上,改进的算法可以获取小样本数据集上有效的特征表示,相比于传统算法分类准确度更高。
      【学位授予单位】:江苏大学
      【学位级别】:硕士
      【学位授予年份】:2019
      【分类号】:TP18;O212.2

      【参考文献】
      中国期刊全文数据库 前1条
      1 刘银华;金隼;;基于小数据集贝叶斯网络建模的偏差源诊断方法[J];上海交通大学学报;2012年05期
      【共引文献】
      中国期刊全文数据库 前1条
      1 林忠钦;来新民;金隼;王皓;朱利民;陈关龙;;复杂产品制造精度控制的数字化方法及其发展趋势[J];机械工程学报;2013年06期
      【二级参考文献】
      中国期刊全文数据库 前5条
      1 应杨箭;苗瑞;赵言正;江志斌;;多工位制造系统尺寸偏差线性化建模与控制[J];上海交通大学学报;2010年04期
      2 于奎刚;金隼;来新民;;Fixture Variation Diagnosis of Compliant Assembly Using Sensitivity Matrix[J];Journal of Shanghai Jiaotong University(Science);2009年06期
      3 王双成;刘喜华;张丕强;;用于操作风险分析的小样本贝叶斯网络结构学习[J];系统管理学报;2008年04期
      4 田兆青;来新民;林忠钦;;多工位薄板装配偏差流传递的状态空间模型[J];机械工程学报;2007年02期
      5 胡敏,来新民,林忠钦;主成分分析方法在轿车装配尺寸偏差中的应用研究[J];中国机械工程;2002年06期
      【相似文献】
      中国期刊全文数据库 前10条
      1 石昀;;基于RVM的小样本数据预测模型[J];数码世界;2019年09期
      2 肖支才;高华明;丁通;韩昕锋;;自助法在小样本数据均值估计中的应用[J];海军航空工程学院学报;2009年05期
      3 韩强;祝华远;孙明礼;张宗玉;;基于支持向量机的小样本数据概率分布模式自动识别[J];科学技术与工程;2009年10期
      4 王建敏;吴云洁;;基于聚类云模型的小样本数据可信度评估[J];系统仿真学报;2019年07期
      5 张守玉;刘博强;;基于相关函数的小样本数据融合方法改进[J];四川兵工学报;2010年08期
      6 张洪,萧德云,刘震涛;局部自回归模糊模型及其在小样本数据系统建模中的应用[J];系统工程;2002年04期
      7 叶瑰昀,印大秋;小样本辨识中的一种数据连接方法[J];自动化技术与应用;2002年03期
      8 王双成;刘喜华;张丕强;;用于操作风险分析的小样本贝叶斯网络结构学习[J];系统管理学报;2008年04期
      9 游文杰;吉国力;袁明顺;冯清;;一类小样本的统计方法建模及其可视化[J];数学的实践与认识;2013年07期
      10 张强;张宏军;;基于小样本数据的作战计划生成方法[J];指挥控制与仿真;2013年06期
      中国重要会议论文全文数据库 前2条
      1 李青;贺步杰;;小样本数据分布最优拟合的方法研究[A];中国现场统计研究会第九届学术年会论文集[C];1999年
      2 张奕群;彭侠夫;;小样本辨识中的一种数据连接方法[A];1997中国控制与决策学术年会论文集[C];1997年
      中国硕士学位论文全文数据库 前7条
      1 李秋玮;基于条件生成对抗网络和超限学习机的小样本数据处理方法研究[D];江苏大学;2019年
      2 张静;小样本数据作物模型研究[D];安徽农业大学;2015年
      3 刘方亮;核电站小样本数据贝叶斯处理方法研究[D];清华大学;2010年
      4 姜韬;灰色神经网络在多核体系结构空间探究中的应用[D];武汉理工大学;2010年
      5 李小燕;灰色神经网络预测模型的优化研究[D];武汉理工大学;2009年
      6 郭钊;模糊信息下既有钢筋混凝土桥梁时变可靠性评估[D];长沙理工大学;2012年
      7 王辉;基于SVM的小样本数据不确定度的研究[D];中国海洋大学;2008年
      中国知网广告投放
       快捷付款方式  订购知网充值卡  订购热线  帮助中心
      • 400-819-9993
      • 010-62791813
      • 010-62985026


      福利黄片