计算机工程

作者：王萌铎, 续欣莹, 阎高伟, 史丽娟, 郭磊

单位：太原理工大学 电气与动力工程学院, 太原 030024

关键词：宽度学习系统,AdaBoost模型,不平衡数据,加权宽度学习系统,集成学习

基金：国家自然科学基金面上项目（61973226）；山西省自然科学基金（201801D121144）。

宽度学习系统（BLS）是一种浅层的神经网络结构，具有快速训练、增量学习等特征，在处理类别不平衡数据时提取到的少数类别特征较少，导致识别结果不理想。提出一种基于AdaBoost集成加权宽度学习系统（AdaBoost-WBLS）的不平衡数据分类方法，通过迭代实现权重的动态更新，获得更符合数据特征的权重，提升集成模型对少数类的识别能力。基于KKT条件，对加权宽度学习系统的加权优化过程进行推导，验证了对角权重对BLS模型误差的抑制作用。在AdaBoost-WBLS模型集成初始化时，采用基于类别信息的初始化权值策略，使模型具有更高的集成训练效率。在集成权重更新时，不同数据类别采用不同的正则化更新方式，保留数据的类内特征并增加类间区分度。在实验过程中，对AdaBoost-WBLS模型的不同参数进行寻优，得到相关参数在有限范围内的最优取值。实验结果表明，AdaBoost-WBLS模型相比AdaBoost和BLS类相关模型能有效改善少数类别特征的提取能力，并且在Satimage数据集上相比加权过采样的深度自编码器模型的G-mean高出4.36个百分点，明显提升了不平衡数据的识别能力。

来源：2022年第4期

《计算机工程》期刊编辑部

查看计算机工程杂志2022年第4期