陈璐璐
- 作品数：4 被引量：38H指数：3
- 供职机构：南通大学电子信息学院更多>>
- 发文基金：江苏省自然科学基金国家自然科学基金国家重点实验室开放基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于粒计算的k值选取及其应用被引量：4
- 2015年
- 为降低k值选取对聚类分析算法效果的影响,采用改进的聚类有效性函数来选取k值。通过粒计算的属性分辨能力,避免数据因某些属性值过大屏蔽其它取值较小属性对类内相似性和类间差异性的影响,综合考虑类内相似性和类间差异性。通过UCI机器学习数据库标准数据集和k均值算法对该函数进行验证,并将其应用到玉米良种选育中。实验结果表明,使用该函数可以更为有效的在玉米样本集中选育玉米良种。
- 卞彩峰邱建林陈燕云陆鹏程陈璐璐
- 关键词：聚类分析粒计算K均值算法有效性函数
- 改进的遗传粒子群混合优化算法被引量：20
- 2017年
- 为解决遗传算法计算时间长和粒子群算法易陷入局部极值的问题,提出一种基于实数编码的改进的遗传算法与粒子群算法混合的优化算法。改进遗传算法中的选择算子,保留适应度值较好的个体,重新组成新的种群,由粒子群算法更新速度和位置,对个体进行进一步的成熟。交叉算子采取精英竞争策略,选取适当个体进行交叉,剩余个体再次通过PSO算法更新速度和位置,将粒子群思想引入变异算子。通过对4个函数的优化,对此算法进行测试,并研究比较其它算法,测试结果表明,该算法在收敛性、运算速度和优化能力方面具有优越性。
- 陈璐璐邱建林陈燕云陆鹏程秦孟梅赵伟康
- 关键词：选择算子交叉算子变异算子遗传算法粒子群算法混合算法
- 基于AdaBoost的类不平衡学习算法被引量：11
- 2017年
- 处理类不平衡数据时,少数类的边界实例非常容易被错分。为了降低类不平衡对分类器性能的影响,提出了自适应边界采样算法(AB-SMOTE)。AB-SMOTE算法对少数类的边界样本进行自适应采样,提高了数据集的平衡度和有效性;同时将AB-SMOTE算法与数据清理技术融合,形成基于Ada Boost的集成算法ABTAdaBoost。ABTAda Boost算法主要包括三个阶段:对训练数据集采用AB-SMOTE算法,降低数据集的类不平衡度;使用Tomek links数据清理技术清除数据集中的噪声和抽样方法产生的重叠样例,有效提高数据的可用性;使用Ada Boost集成算法生成一个基于N个弱分类器的集成分类器。实验分别以J48决策树和朴素贝叶斯作为基分类器,在12个UCI数据集上的实验结果表明,ABTAda Boost算法的预测性能优于其他几种算法。
- 秦孟梅邱建林陆鹏程陆鹏程陈璐璐
- 关键词：SMOTE
- 面向软件缺陷预测的聚类欠采样集成方法被引量：3
- 2016年
- 为缓解类不平衡问题对预测模型性能的影响,提出一种基于聚类的欠采样集成方法 CBUE(cluster-based undersampling ensemble method)。对多数类进行聚类分析,根据聚类的结果分布(即每个簇的大小比例)有放回地选择N个多数类的子集,N个子集分别和所有的少数类实例组成N个新的训练集;根据N个训练集训练出N个分类器,按照少数服从多数的原则生成一个新的集成分类器对新的数据进行预测。CBUE以NASA数据集作为评测对象,以balance、G-mean和AUC为评测指标,实验结果表明,该方法在大部分情况下要优于5种经典的基准方法 (ROS、RUS、SMOTE、RF和NB)。
- 陆鹏程邱建林卞彩峰陈璐璐陈翔
- 关键词：软件缺陷预测集成学习方法欠采样聚类
