混合粒子群和改进细菌觅食的不平衡数据分类

来源 :计算机工程与应用 | 被引量 : 0次 | 上传用户:ctzlhst
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
针对细菌觅食优化(Bacterial Foraging Optimization,BFO)算法易陷入局部最优的缺点,提出了混合粒子群优化(Particle Swarm Optimization,PSO)算法与改进的细菌觅食优化(Improved BFO)算法应用于不平衡数据的分类。使用三个数据集测试所提算法的性能,其一是卵巢癌微阵列真实数据,另两个来自UCI数据库的垃圾电子邮件数据最优集和动物园数据集。采用边界合成少数过采样技术(Borderline-SMOTE)和Tomek Link对不平衡数据进行预处
其他文献
“人老腿先老”已成为人们的共识。因而,老人健身防老抗衰也应从腿脚锻炼开始。这里推荐一套锻炼腿脚的保健动作:
经XRD等检测表明:Sb的加入使镁及AZ31合金的显微组织得到细化,AZ31中的β-Mg17Al12相呈细小弥散状分布,同时组织中还有点、块状的Mg3Sb2生成。Sb的加入使AZ31合金的力学性能得到
胰十二指肠切除术是一种手术复杂,并且对病人创伤大,切除的范围部位有胰腺、邻近的十二指肠、胆管下端、部分胃及空肠上端。并且需作胆总管、胰管、胃与空肠的吻合。术后如果护
针对数据不平衡带来的少数类样本识别率低的问题,提出通过加权策略对过采样和随机森林进行改进的算法,从数据预处理和算法两个方面降低数据不平衡对分类器的影响。数据预处理
充分利用Focal损失函数具有挖掘困难样本和调节样本不平衡问题的特性,将其应用在基于神经网络的图像情感分析模型中。为了缓解训练数据集的类别样本不平衡问题,提升情感分类模型的训练效率,对Focal损失函数中参数设置进行了改进。该方法通过类别权重大小来确定平衡参数α,并在神经网络模型训练的不同阶段,采用渐增方式对聚焦因子γ进行调节,然后将改进的Focal损失函数应用于图像情感分析模型的神经网络训练中。
近年来深度学习技术不断进步,随着预训练模型在自然语言处理中的应用与发展,机器阅读理解不再单纯地依靠网络结构与词嵌入相结合的方法。预训练语言模型的发展推动了机器阅读
不健康的脊椎很多种表现。虽然脊椎矫正医生需要凭借多年的训练和老练的分析技术经验才能发现脊椎半脱位,但你仍可通过以下一些简单的检查对照,判断你的脊椎是否健康。
“又忙到深夜,清点完仓库所有的物资,对所有门窗进行一次全面消毒,完成抵达武汉后的第21个夜班。”“在这里服务了20多天,出入库物资20多万件。”“走出仓库,看着寂夜里的武
最近这几天黄女士疾病缠身,连着几天感冒发烧,还没彻底好,下身的麻烦却又来了。不仅服部奇痒难忍,白带也开始变多,而且不同于以往“好朋友”来之前的半透明状而是呈豆腐渣状,并且十