10.3969/j.issn.1000-386x.2023.06.016
基于非平衡问题的卷积神经网络分类模型
由于数据分布的不平衡,传统的分类模型常常会受多数类的影响而降低分类准确率.因此为提升对非平衡数据的分类性能,提出新的卷积神经网络分类模型CNN-EMWRA-WCELF,其中EMWRA(Expectation Maxi-mization Weighted Resampling Algorithm)是对EM算法的优化.融合高斯混合模型与采样算法,对初始数据集进行精确采样,以此降低训练数据集的非平衡度.另外,所提的WCELF(Weighted Cross Entropy Loss Function)函数,可根据样本权重对少数类和多数类赋予不同的代价损失.最后,以F1 和G-mean为评价指标,将CNN-EMWRA-WCELF模型在竞赛数据集上与其他分类模型相比较,结果均为第一,表明其能够很好地提高少数类分类的正确率.
非平衡、高斯混合模型、采样、损失加权、分类模型
40
TP3(计算技术、计算机技术)
国家自然科学基金;上海市科技创新行动计划项目;上海市科技创新行动计划项目;上海科学技术委员会项目
2023-07-10（万方平台首次上网日期，不代表论文的发表时间）
共8页
96-102,111
