在模式识别用来解决现实问题的过程中,常常存在训练样本不平衡的问题,更加严重的情况就是只能得到一类数据样本。本课题旨在在原有工作基础上,研究样本不平衡性对样本复杂度的影响,以揭示这一问题的深刻背景。进一步改进我们提出的不平衡类别学习算法,以保证在各种不平衡情况下都有比较高的性能。同时将针对两分类问题提出的结论,扩展到多分类问题并设计出多分类的SSBagging算法。寻找更直接的以GMA作为设计目标的
{{i.achievement_title}}
数据更新时间:2023-05-31
路基土水分传感器室内标定方法与影响因素分析
论大数据环境对情报学发展的影响
基于 Kronecker 压缩感知的宽带 MIMO 雷达高分辨三维成像
内点最大化与冗余点控制的小型无人机遥感图像配准
栓接U肋钢箱梁考虑对接偏差的疲劳性能及改进方法研究
基于集成学习的不平衡流数据分类问题研究
单类分类器应用于多源遥感数据的关键问题研究:以农田提取为例
云计算环境下海量不平衡数据分类研究
大规模多标号不平衡问题分类方法研究