国家自然科学基金(61305058)
- 作品数：23 被引量：86H指数：6
- 相关作者：于化龙高尚徐丹左欣陈兴亮更多>>
- 相关机构：江苏科技大学东南大学南京理工大学更多>>
- 发文基金：国家自然科学基金江苏省自然科学基金中国博士后科学基金更多>>
- 相关领域：自动化与计算机技术电子电信更多>>
- 适用于单轮单样例标注场景的主动学习停止准则
- 2015年
- 针对现有的选择精度主动学习停止准则仅适用于批量样例标注场景这一问题,提出了一种适用于单轮单样例标注场景的改进的选择精度停止准则。该准则通过监督自本轮起前溯的固定学习轮次内的预测标记与真实标记间的匹配关系,对选择精度进行近似的评估计算,匹配度越高则选择精度越高,继而利用滑动时间窗实时监测该选择精度的变化,若当其高于事先设定的阈值,则停止主动学习算法的运行。以基于支持向量机的主动学习方法为例,通过6个基准数据集对该准则的有效性与可行性进行了验证,结果表明当选取合适的阈值时,该准则能找到主动学习停止的合理时机。该方法扩大了选择精度停止准则的适用范围,提升了其实用性。
- 杨菊李青雯于化龙
- 关键词：滑动时间窗支持向量机
- 新型差分进化模型的多等级子群杂草优化算法被引量：2
- 2018年
- 针对标准杂草优化算法易出现的早熟、后期收敛速度慢、易陷于局部最优等问题,提出基于新型差分进化模型的多等级子群杂草优化算法(DEMIWO)。首先,引入一种改进型的混合混沌系统对种群进行初始化,提高初始种群的多样性;其次,提出一种按等级分类的组群策略,将种群按适应度分为优、良、中、差四个等级;最后,在繁殖进化阶段,提出新型差分进化模型,对模型中的交叉变异概率进行指数式的非线性动态调整,提高算法的全局寻优能力以及收敛精度。在8个标准测试函数上进行的仿真实验表明,与标准IWO算法及其他常用算法相比,所提算法具有更快的收敛速度和更高的寻优精度,同时能有效避免陷入局部最优。
- 李袁高尚李肇基王万耀
- 基于IPMeans-KELM的入侵检测算法研究被引量：8
- 2016年
- 目前入侵检测系统中普遍存在数据维度高、数据量大、训练难等问题。在入侵检测系统中应用核极限学习机(KELM)算法,使其能够适应大量高维数据的训练,且学习速度快无需调整网络的输入权值,降低了检测系统的训练难度。但是由于入侵数据集的不均衡性、噪音干扰性、分布不均性等,直接影响了KELM的分类性能。因此,针对入侵数据处理问题,提出了一种基于IPMeans-KELM的入侵检测算法。该算法首先利用改进的PSO优化K-means算法(IPMeans)对入侵数据进行聚类处理,增加相同数据类型的聚集度,然后对处理后的数据进行10-CV分割,将分割的10份数据轮流训练KELM分类器,把测试数据通过训练好的KELM分类器进行测试,输出分类器检测率的平均值,如果检测效果不满足期望条件,则进行循环处理,直至条件满足。在Matlab平台上进行了对比实验,实验结果表明该算法在有效地提高了入侵检测率的同时降低了误报率。
- 陈兴亮李永忠于化龙
- 关键词：网络入侵粒子群算法K均值算法
- 基于蚁群优化的极限学习机选择性集成学习算法被引量：6
- 2016年
- 针对现有极限学习机集成学习算法分类精度低、泛化能力差等缺点,提出了一种基于蚁群优化思想的极限学习机选择性集成学习算法。该算法首先通过随机分配隐层输入权重和偏置的方法生成大量差异的极限学习机分类器,然后利用一个二叉蚁群优化搜索算法迭代地搜寻最优分类器组合,最终使用该组合分类测试样本。通过12个标准数据集对该算法进行了测试,该算法在9个数据集上获得了最优结果,在另3个数据集上获得了次优结果。采用该算法可显著提高分类精度与泛化性能。
- 杨菊袁玉龙于化龙
- 关键词：极限学习机蚁群优化
- 基于相对密度的类不平衡软件缺陷预测
- 2020年
- 在软件缺陷预测中,普遍存在软件缺陷数据的类不平衡问题,严重影响着传统预测模型的性能。为了缓解类不平衡对预测模型性能的影响,引入模糊集的思想,提出了一种基于相对密度的模糊加权极限学习机算法。该方法首先采用所提的相对密度方法,即通过精确计算任意不同类训练样本之间的概率密度的比例关系,来计算各样本的类间相对密度,并设计相应隶属函数,求出适用于不同数据样本的加权矩阵,进而将其与传统加权极限学习机结合,并训练模糊极限学习机,最后通过NASA软件缺陷类不平衡数据对所提方法的有效性和可行性进行验证。实验结果表明:与诸多类不平衡软件缺陷预测方法相比,论文方法具有更好的预测性能,并在G-mean、AUC和Balance的评价指标上有较优表现。
- 孙丹于化龙郑尚邹海涛王琦
- 关键词：软件缺陷预测相对密度模糊加权
- 基于Parzen窗估计的一类加权极限自编码器被引量：1
- 2019年
- 针对传统的一类分类器分布适应性差、数据描述不够精确等问题,提出了基于Parzen窗估计的一类加权极限自编码器.该方法首先采用Parzen窗法对数据分布的全局概率密度进行估计,进而对样本进行个性化加权操作,并训练极限学习机,从而实现对样本分布的精确描述.特别地,极限学习机以自编码器的方式实现,并通过重构误差来确定样本类属.实验结果表明:与诸多传统方法相比,其不但具有更好的数据描述能力,而且兼具时间复杂度低的优点.
- 于化龙徐克辉席晓燕
- 关键词：极限学习机PARZEN窗加权
- 基于自适应细菌觅食算法的集装箱装载被引量：3
- 2018年
- 针对集装箱装载问题复杂度高以及改进现有方法难度大等问题,采用一种基于自适应细菌觅食算法,求其最优解。根据货品堆置方向和三空间分割装载策略,使用基于顺序表示的遗传基因编码方式,将装箱过程中三维"切割与组合"问题转化为适应度函数的可行性解,改进标准细菌觅食算法中的趋化操作,引入基于余弦的自适应步长计算方法。仿真结果表明,该算法具有收敛速度快、空间利用率高等特点,为集装箱装载问题提供了一种思路和方法。
- 范霁月高尚张晓庆
- 关键词：细菌觅食算法自适应步长
- 基于改进DS证据融合与ELM的入侵检测算法被引量：22
- 2016年
- 为了提高检测率,采用DS证据融合技术融合多个ELM,能够提高整个检测系统的精确性。但是传统的DS技术处理冲突信息源时并不理想。因此,通过引入证据之间的冲突强度,将信息源划分成可接受冲突和不可接受冲突,给出了新的证据理论(improved Dempster-Shafer,I-DS),同时针对ELM随机产生隐层神经元对算法性能造成影响的缺陷作出了改进。通过实验表明,结合I-DS和改进的ELM能够更高速、更有效地判别入侵行为。
- 李永忠陈兴亮于化龙
- 关键词：网络入侵检测DS证据理论极限学习机
- 基于采样技术的主动不平衡学习算法研究被引量：2
- 2018年
- 针对在不平衡分布数据中执行主动学习,其分类面容易形成偏倚,从而导致主动学习失效这一问题,拟采用采样技术作为学习过程的平衡控制策略,在调查了几种已有的采样算法的基础上,提出了一种边界过采样算法,并将其与主动学习相结合。此外,考虑到极限学习机所具有的泛化能力强、训练速度快等优点,拟采用其作为基分类器,来加速主动学习的进程。通过12个基准数据集对加入平衡控制策略的主动学习算法的性能进行了验证,结果表明:在不平衡场景下,主动学习确实会受到其负面影响,且引入了采样技术的主动学习算法性能明显更优。
- 李青雯孙丹于化龙
- 关键词：极限学习机
- 面向类别不平衡数据的主动在线加权极限学习机算法被引量：2
- 2017年
- 针对在样本类别分布不平衡场景下,现有的主动学习算法普遍失效及训练时间过长等问题,提出采用建模速度更快的极限学习机,即ELM(Extreme Learning Machine)作为主动学习的基分类器,并以加权ELM算法用于主动学习过程的平衡控制,进而在理论上推导了其在线学习的过程,大幅降低了主动学习的时间开销,并将最终的混合算法命名为AOW-ELM算法。通过12个基准的二类不平衡数据集验证了该算法的有效性与可行性。
- 王长宝李青雯于化龙
- 关键词：极限学习机
