计算机工程

作者：王大飞, 解武杰, 董文瀚

单位：空军工程大学 a. 研究生院;b. 航空工程学院, 西安 710038

关键词：不平衡数据,极限学习机,代价敏感学习,Mini-batch k-means聚类,约束优化理论

基金：航空科学基金（20141396012）。

基于代价敏感学习的极限学习机（ELM）算法在处理不平衡数据分类问题时，未考虑不同类别样本的分布特点以及同一类别中各样本的重要性对分类结果的影响。为此，提出基于样本数量比例的错分惩罚因子设置方法，并基于Mini-batch k-means聚类与距离测度设计一种类内样本权值确定方案。在此基础上，构建区分正、负类别的隐含层输出矩阵，根据训练样本数与ELM隐含层节点数间的关系，分2种情况计算ELM隐含层与输出层间的连接权值，以降低算法的时间复杂度。实验结果表明，与ELM、WELM等算法相比，该算法的G-mean、F1分类性能指标值均较高。

来源：2019年第11期

《计算机工程》期刊编辑部

查看计算机工程杂志2019年第11期