多分类

摘要： 针对轴向柱塞泵实际故障诊断中采集到的故障类数据远少于正常类数据的情况,为提升故障分类精确率,提出了一种基于平衡随机森林(Balanced Random Forest,BRF)的轴向柱塞泵故障诊断方法。BRF算法是随机森林(Random Forest,RF)的改进算法,将欠采样方法与RF结合,强化了RF处理非均衡数据的能力。通过开源的UCI数据集对该算法的性能进行了测试,相较于RF以及合成少数类过采样(Synthetic Minority Over-sampling Technique,SMOTE)与RF的组合算法SMOTE-RF,BRF算法在少数类分类精确率方面有所提升。最后,将BRF算法应用于轴向柱塞泵的故障诊断中。结果表明,在类间数据不均衡的条件下,相较于RF及SMOTE-RF算法,BRF算法能够取得更高的故障分类精确率。

摘要： 本文对归一化割(NC, Normalized Cut)进行了改进,在能量泛函中引入了度平衡约束以提高模型的约束能力。经典的NC是实现平衡约束的一种重要方法,通过平衡约束来克服通过最小割算法进行数据分类的平凡解问题。但NC的平衡约束能力是不够的,尤其是当数据集不平衡时,约束能力会进一步下降,以此为基础提出了本文的模型。改进后的模型还可以扩展到解决不平衡的多分类问题。在解决不平衡的二分类和多分类问题时,实验结果表明,本文改进的归一化割方法比原始模型具有更高的分类精度和保持平衡的能力。此外,与原来的归一化割方法相比,在保真度集规模很小的情况下,改进的归一化割模型可以实现有效的数据分类。

摘要： 支持向量机因具有卓越的分类效果和坚实的理论基础而成为了近年来模式识别、机器学习以及数据挖掘等领域中最重要的分类方法之一。然而,其训练时间会随样本增多而明显增长,并且在处理多分类问题时模型训练会更加复杂。为解决上述问题,给出了一种适于多分类问题的训练数据快速约简方法MOIS。该方法以聚类中心为参照点,在删除掉冗余训练样本的同时,选择起决定作用的边界样本来大幅度约简训练数据,并消减类别间的分布不均衡问题。实验结果表明,MOIS在保持甚至提高支持向量机分类效果的同时,能大幅提高训练效率。例如,在Optdigit数据集上,利用所提方法使分类准确率由98.94%提高到99.05%的同时,训练时间缩短到原来的15%;又如,在HCL2000前100类构成的数据集上,在准确率略有提高的情况下(由99.29%提高到99.30%),训练时间更是大幅缩短到不足原来的6%。另外,MOIS本身具有很高的运行效率。

摘要： 为解决不均衡多分类问题,提出一种特征选择和AdaBoost的集成方法。首先,数据进行预处理。利用WSPSO算法进行特征选择,根据特征重要性选取初始粒子构建初始种群,使得算法初期就可以沿着正确的搜索方向开展,减少不相关特征的影响。其次,利用AdaBoost算法对于样本权重较敏感的特点,增强对小类样本的关注度。并且利用AUCarea作为评价标准,相对于其他评价标准,AUCarea具有可视化的优点且对较差AUC更加敏感。最后,与其他几种不均衡分类算法在不平衡数据集上进行对比,结果证明该算法可有效处理不均衡多分类问题。

摘要： 现有的静默活体检测研究忽略不同非活体攻击方式之间的差异,以及不考虑活体和非活体样本类别不均衡对模型学习的不利影响.本研究将非活体攻击类别细分成打印攻击和展示攻击,将静默活体检测由传统的二分类问题转变为多分类问题,并提出采取交叉熵作为损失函数对网络模型进行训练的方案,用以克服二分类和类别不均衡问题,使得模型训练中能更准确发现和抽象出非活体人脸样本共同的欺诈特征,提高网络模型对非活体识别的精准度.构建双流特征融合网络模型,采取注意力机制对从RGB和YCrCb这2种不同色彩空间提取到的特征向量进行自适应加权融合,以进一步提升网络模型的特征表示能力.在CASIA-FASD、 Replay-Attack、MSU-MFSD和OULU-NPU 4个公开数据集进行大量的对比实验,实验结果表明,采取多分类策略以及特征融合的静默活体检测模型能够有效降低分类错误率并提升泛化能力.

摘要： 背景轻度认知障碍(MCI)患者的认知轨迹高度可变。每年有10%~15%的MCI患者进展为痴呆,近24%逆转为认知正常(NC)。有关MCI患者的双向转归,尤其是MCI逆转为NC的研究开展较少。目的构建MCI患者不同转归的多分类模型,寻找MCI患者双向转归(逆转、稳定、进展)的影响因素。方法本研究数据来源于美国国家阿尔茨海默病症协调中心统一数据集(NACC UDS),筛选2005—2019年初次诊断为MCI并至少随访2次且数据无缺失的397例患者,采集其基本信息、身体检查指标、既往史及相关评估量表得分。基于Boruta算法进行特征选择,采用随机森林进行MCI不同转归的多分类辅助诊断;采用多分类逐步Logistic回归分析探究MCI患者不同转归的影响因素。结果纳入的397例MCI患者中,124例逆转为NC,逆转率为31.23%;177例稳定,稳定率为44.58%;96例进展为痴呆,进展率为24.18%。将397例MCI患者的不同转归进行分层三分类,总准确度(ACC)为67.58%。在多个二分类中,进展和逆转、逆转和稳定的分类性能较优,ACC均在90%以上;分层三分类中稳定→逆转→进展的总ACC为84.38%。多分类逐步Logistic回归分析结果显示,对于MCI患者进展为痴呆而言,年龄≥80岁〔OR=0.260,95%CI(0.117,0.574)〕、自我报告认知障碍〔OR=0.295,95%CI(0.139,0.623)〕、临床痴呆评定量表(CDR)得分降低〔OR=0.220,95%CI(0.092,0.525)〕为保护因素,既往有卒中〔OR=2.896,95%CI(1.370,6.122)〕、既往有大便失禁〔OR=6.556,95%CI(1.787,24.047)〕、功能活动问卷(FAQ)得分升高〔OR=1.048,95%CI(1.003,1.095)〕为危险因素。对于MCI患者逆转为正常而言,年龄≥80岁〔OR=0.289,95%CI(0.091,0.914)〕、肥胖〔OR=0.236,95%CI(0.075,0.740)〕、自我报告认知障碍〔OR=0.289,95%CI(0.111,0.757)〕、CDR得分升高〔OR=0.015,95%CI(0.003,0.089)〕为危险因素,简易精神状态量表(MMSE)得分升高〔OR=1.708,95%CI(1.428,2.043)〕和动物命名正确数升高〔OR=1.139,95%CI(1.046,1.240)〕为保护因素。结论MCI患者的转归受多个因素影响,高龄、肥胖、既往发生过卒中、既往发生过大便失禁、自我报告认知障碍和日常功能障碍是MCI双向转归的重要影响因素。

摘要： 针对采用传统油中溶解气体分析技术在变压器故障诊断时存在的准确率不高、智能化低等缺点,笔者提出了一种基于SVM核函数优化算法,结合采用气体传感器、嵌入式系统以及物联网技术搭建的故障检测硬件的变压器故障诊断系统。通过实例验证,结果表明:该系统将SVM核函数优化结果应用于变压器故障分类及预测,能够将准确率从74.5%大幅提升至98.8%;同时,证明该系统具有较高的实用性。

摘要： 为解决不均衡多分类问题,提出了一种基于采样和特征选择的不均衡数据集成分类算法(IDESF)。基分类器的多样性会影响集成算法的分类性能,所以IDESF算法对数据集进行有放回采样+SMOTE的两阶段采样。两阶段采样在保证所得数据集中样本合理性的基础上,增加数据集间的差异性以此隐式地提高基分类器的多样性。两阶段采样同样可以平衡数据分布,防止分类器偏向多数类。在两阶段采样的基础上,IDESF算法引入了数据清洗和特征选择方法,试图进一步提高算法的分类性能。与其他不均衡分类算法在5组不均衡数据集上进行了对比实验,结果表明该算法可以获得较高的AUCarea和G-Mean值,具有较为优异的分类效果。

摘要： 现有的多分类孪生支持向量机主要考虑支持向量机的经验风险最小化原则,而忽略了结构化风险。针对该问题,通过引入正则项式,实现算法的结构风险最小化原则,并结合多对一的组合策略和最小二乘法,提出一种改进的最小二乘多分类孪生支持向量机。在UCI数据集上的实验研究表明,该算法相对于传统的多分类支持向量机在分类性能上有明显提高。

摘要： 为了更准确地描述航班延误情况,为旅客出行提供参考,使用极端梯度提升(extreme gradient boosting, XGBoost)算法与多层感知机(multilayer perceptron, MLP)集成的模型对离港航班延误状态进行预测,将传统的延误、不延误细分为延误、半延误和不延误3种情况。在对航班数据和天气数据进行合并、筛选、拆分的基础上,先基于XGBoost模型进行二分类预测,然后基于二分类结果使用MLP进行三分类预测。实验结果表明,该方法比仅使用XGBoost模型或者MLP模型预测效果更佳,并且可改善半延误区间误差高的问题。

摘要： 查找相似文挡在文本挖掘和文档管理中具有重要的地位。一般的文本聚类都关注单分类情况，本文目的是研究文档隶属于多个分类的情况。本文中的相似文档查找系统是基于模糊分类技术，它可以处理多分类问题。其处理方法包含两个阶段，第一个阶段是找到属于多分类的文档；第二个阶段是确定这些文档所属的多分类。为此本文分别提出了基于α阀值的模糊分类方法(α-FSCM)和多分类向量方法(MCVM)。实验结果证明本系统能有效区分多分类文档，并准确找到所属多类别，其准确性和效率高于传统的方法。

摘要： 本发明公开了一种基于多分类模型的图像分类装置与分类方法，装置包括：图像预处理模块，用于获取待分析样本的核磁共振T1加权图像，并进行预处理；特征提取模块，用于对预处理后的图像进行特征提取，提取出影像学特征；特征融合模块，用于将提取出的影像学特征进行融合，形成特征空间；特征筛选模块，用于从特征空间中筛选出具有判别能力的特征，并构建多分类模型；检测分析模块，用于利用多分类模型对待分析样本的图像测试数据进行分析，输出分类结果。本发明通过采用不同分割区域模板对大脑图像进行特征提取，将这些不同的特征融合在一起，构建多分类模型，将图像分成不同的目标类别，有利于对图像进行准确分类，实现更高效且快速的图像处理。

摘要： 本发明公开了一种基于文本多分类混合式均分聚类采样算法的不平衡数据集文本多分类方法，在不平衡数据集的多分类算法中，引入基于轮廓系数的动态K‑means聚类方法对不平衡数据集进行聚类，首先，计算出所有不同分类样本数量的算数平均数，以此作为样本数据量均线，再对每个分类样本进行分区，其中样本大于均线的为上区，样本数量小于均线的为下区，最后利用聚类簇采用欠采样和过采样的混合采样方法分别对上区样本和小区样本进行数据聚类处理，最终实现文本数据集的平衡分布。

摘要： 多分类识别器识别数据所表征的特征是属于多个分类中的哪个分类，具备：第1阶层识别器生成单元，其生成进行1对N的识别的多个第1阶层识别器；和第2阶层识别器生成单元，其通过将多个第1阶层识别器分别输出的各计分值进行连结来生成第2阶层特征向量，输入该第2阶层特征向量来生成进行1对N的识别的多个第2阶层识别器，多分类识别器将通过使数据输入到多个第1阶层识别器而由该多个第1阶层识别器输出的各计分值进行连结来生成第2阶层特征向量，将与通过使该第2阶层特征向量输入到多个第2阶层识别器而输出了最大的计分值的第2阶层识别器相对应的分类，识别为所输入的数据所表征的特征所属的分类。

摘要： 本发明公开了一种基于多分类模型的图像分类装置与分类方法，装置包括：图像预处理模块，用于获取待分析样本的核磁共振T1加权图像，并进行预处理；特征提取模块，用于对预处理后的图像进行特征提取，提取出影像学特征；特征融合模块，用于将提取出的影像学特征进行融合，形成特征空间；特征筛选模块，用于从特征空间中筛选出具有判别能力的特征，并构建多分类模型；检测分析模块，用于利用多分类模型对待分析样本的图像测试数据进行分析，输出分类结果。本发明通过采用不同分割区域模板对大脑图像进行特征提取，将这些不同的特征融合在一起，构建多分类模型，将图像分成不同的目标类别，有利于对图像进行准确分类，实现更高效且快速的图像处理。

摘要： 本申请提出了一种基于分类树构造的细粒度图像多分类方法，涉及计算机视觉技术领域，其中，该方法包括：收集多分类图像数据，划分为训练集和验证集；基于训练集和验证集构造多类别的二叉树拓扑结构；在二叉树的每个非叶结点训练二分类模型；获取待预测的图像数据，输入到二叉树结构中逐层二分类直至叶结点，得到图像对应的最终类别。采用上述方案的本申请能够降低细粒度多分类的难度从而提高分类精度。

摘要： 本发明公开了一种小样本细化分类及多分类模型构建方法，属于数据分类预测技术领域。本发明在粗分类的基础上，通过构造混淆矩阵并计算混淆矩阵的F1‑分数和AUC的调和平均值，以搜索出概率序列中作为样本细分依据的最优阈值切分点，并基于该最优阈值切分点将原始同一标签类别下的样本集细分为具有更多标签类别的多个样本集，细分后的样本集与样本集之间不仅保持了由高到低的区分度，同时规避了以小样本数据集训练具有更多分类能力的多分类模型容易出现过拟合以及人为对小样本数据集进行进一步的细化分类缺乏量化依据的问题。

摘要： 本发明公开一种多分类器融合的农作物自动分类方法、系统及存储介质，方法包括：数据采集及预处理，获取预处理后的高分数据及多光谱时序反射率；基于多光谱时序反射率计算得到NDVI时间序列；基于计算得到的NDVI时间序列，结合农作物类型训练样本，选取参与分类的多光谱图像数据；将高分数据、NDVI时间序列和参与分类的多光谱图像数据输入分类器集，得到初分类结果集；对初分类结果集执行OCA‑MV算法，完成决策融合分类。

摘要： 本发明提供一种基于二分类张量增强的多分类语义分割方法，包括步骤：将需要将分类的图片输入至原始分割网络中；由原始分割网络的特征提取部分进行特征提取，将提取的特征并行输入至N个二分类头以及中转部分；N个二分类头对输入的特征分别进行二分类处理输出N个二分类张量，中转部分输出待分类特征；将N个二分类前景分数图与待分类特征进行级联，级联张量最后送入多分类头，多分类头对输入的级联张量进行N分类处理并输出N分类张量作为最终的多分类结果。本发明可以简单地加入到多数分割网络结构中，仅带来少量的网络参数量增加。相较于直接用CE损失优化多分类头结果的方法，本发明方法能在增加少量参数消耗的情况下提升分割网络的分类性能。

摘要： 本发明公开了一种根据多分类器识别结果进行训练样本扩充的分类方法，包括：选择多种分类所用的分类方法；在待分类数据集中选定包括各个类别的初始的训练样本，形成初始的训练样本集；采用各个分类方法和训练样本集分别对待分类数据集数据进行分类识别，得到各个分类方法的待分类数据集分类结果；根据待分类数据集分类结果，计算每个数据的分类结果认同率；将分类结果认同率与其预设阈值比对，以获得新的训练样本，扩充训练样本集；根据扩充后的训练样本集，判定并执行下一次迭代分类；将末次迭代运算的最大认同分类结果作为该待分类数据集的最终的数据分类结果。本发明通过多分类器结果相互迭代验证，逐步扩增训练样本，提升分类精度。

摘要： 本发明公开了一种基于多分类器动态剪枝选择的地表冻融状态分类方法，包括：对区域观测站点的地表温度数据及区域土地利用数据的沙漠格点样本进行数据预处理，作为训练样本的标签；收集不同频率的亮度温度数据进行组合构建训练样本的特征指标；利用处理后的样本标签和特征指标作为模型输入，对不同类别的基分类器进行训练，同时对基分类器的超参数进行贝叶斯优化；基于动态剪枝选择框架，对不同的基分类器进行动态剪枝和动态选择，确定最优的预测模型；采用确定的最优预测模型进行地表冻融状态分类。本发明通过对不同机器学习模型进行动态剪枝选择的方式快速、精准地根据不同的区域的特征对地表状态进行分类。