-
公开(公告)号：CN104809226A
公开(公告)日：2015-07-29
申请号：CN201510229367.5
申请日：2015-05-07
Applicant: 武汉大学
IPC: G06F17/30
Abstract: 本发明公开了一种早期分类不平衡多变量时间序列数据的方法。首先，针对类间数据规模不平衡问题，根据不平衡性比例，将大类类别数据集欠采样划分为多个子集，分别与小类类别数据组合构成多个子训练集。其次，对各子训练集进行核特征的提取与选择，并以核特征构建基于规则的子分类器。其中，为了解决类内子概念的数据规模不平衡问题，特征选择过程采用聚类实现，以保证核特征的多样性。最后，基于各子分类器，以子分类器对训练集中数据的分类效果求取权重，构建集成分类器。本发明的该分类器能够针对不平衡数据集的多变量时间序列分类问题，达到较高的准确率与较好的早期度。
-
公开(公告)号：CN104809226B
公开(公告)日：2018-01-12
申请号：CN201510229367.5
申请日：2015-05-07
Applicant: 武汉大学
IPC: G06F17/30
Abstract: 本发明公开了一种早期分类不平衡多变量时间序列数据的方法。首先，针对类间数据规模不平衡问题，根据不平衡性比例，将大类类别数据集欠采样划分为多个子集，分别与小类类别数据组合构成多个子训练集。其次，对各子训练集进行核特征的提取与选择，并以核特征构建基于规则的子分类器。其中，为了解决类内子概念的数据规模不平衡问题，特征选择过程采用聚类实现，以保证核特征的多样性。最后，基于各子分类器，以子分类器对训练集中数据的分类效果求取权重，构建集成分类器。本发明的该分类器能够针对不平衡数据集的多变量时间序列分类问题，达到较高的准确率与较好的早期度。
-
公开(公告)号：CN103020643B
公开(公告)日：2015-05-13
申请号：CN201210507502.4
申请日：2012-11-30
Applicant: 武汉大学
IPC: G06K9/62
Abstract: 针对早期预测多变量时间序列分类问题，本发明提出了基于提取核特征早期预测多变量时间序列类别的分类方法，为提取各个变量时间序列本质特性，首先对各变量时间序列分别进行特征提取，并采用聚类方法减少冗余特征与剔除噪音，提高分类的稳定性。其次，为提高分类的效率、精度和早期度，基于准确率、召回率和早期度等提出一种综合评价特征性能的方法，选择每个簇中的最优特征作为该变量的核特征。最后，基于各变量的核特征集，提出了两种简单且有效的分类器构造方法。通过实验验证本发明所提方法和算法的正确性和有效性，实验结果表明该分类器能够达到较高的准确率与较好的早期度。
-
公开(公告)号：CN103020643A
公开(公告)日：2013-04-03
申请号：CN201210507502.4
申请日：2012-11-30
Applicant: 武汉大学
IPC: G06K9/62
Abstract: 针对早期预测多变量时间序列分类问题，本发明提出了基于提取核特征早期预测多变量时间序列类别的分类方法，为提取各个变量时间序列本质特性，首先对各变量时间序列分别进行特征提取，并采用聚类方法减少冗余特征与剔除噪音，提高分类的稳定性。其次，为提高分类的效率、精度和早期度，基于准确率、召回率和早期度等提出一种综合评价特征性能的方法，选择每个簇中的最优特征作为该变量的核特征。最后，基于各变量的核特征集，提出了两种简单且有效的分类器构造方法。通过实验验证本发明所提方法和算法的正确性和有效性，实验结果表明该分类器能够达到较高的准确率与较好的早期度。
-
-
-
Search Results
4
records
(took 0.031 seconds)
