CN108537290A - 基于数据分布特征及模糊隶属度函数的恒星光谱分类方法 - Google Patents

基于数据分布特征及模糊隶属度函数的恒星光谱分类方法 Download PDF

Info

Publication number
CN108537290A
CN108537290A CN201810378637.2A CN201810378637A CN108537290A CN 108537290 A CN108537290 A CN 108537290A CN 201810378637 A CN201810378637 A CN 201810378637A CN 108537290 A CN108537290 A CN 108537290A
Authority
CN
China
Prior art keywords
membership function
fuzzy membership
classification
optimal separating
stellar
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810378637.2A
Other languages
English (en)
Inventor
刘忠宝
秦振涛
罗学刚
周方晓
张靖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panzhihua University
Original Assignee
Panzhihua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Panzhihua University filed Critical Panzhihua University
Priority to CN201810378637.2A priority Critical patent/CN108537290A/zh
Publication of CN108537290A publication Critical patent/CN108537290A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及数据分类领域，公开了一种基于数据分布特征及模糊隶属度函数的恒星光谱分类方法，以提升恒星光谱分类的效率。本发明在恒星光谱分类时，采用双支持向量机将恒星光谱中的两类分开，所述双支持向量机引入了线性判别分析中的类间离散度和类内离散度，用以表征光谱数据的分布性状，引入了模糊隶属度函数，用以降低噪声点和奇异点对分类结果的影响。本发明适用于恒星光谱分类。

Description

基于数据分布特征及模糊隶属度函数的恒星光谱分类方法
技术领域
本发明涉及数据分类领域，特别涉及基于数据分布特征及模糊隶属度函数的恒星光谱分类方法。
背景技术
恒星光谱分类是天文学研究的一个热点问题。随着观测光谱数量的急剧增加，传统的人工分类方法满足解决实际需求，急需利用自动化技术，特别是数据挖掘算法来对恒星光谱进行自动分类。关联规则、神经网络、自组织网络等数据挖掘算法已广泛应用于恒星光谱分类。其中，支持向量机(Support Vector Machine,SVM)分类能力突出，被广泛应用于恒星光谱分类。该方法试图在两类样本之间找到一个最优分类超平面将两类分开。该方法具有较高的时间复杂度，计算效率有限。双支持向量机(Twin Support Vector Machine,TWSVM)的出现有效地解决了SVM面临的效率问题。该方法通过构造两个非平行的分类超平面将两类分开，每一类靠近某个分类超平面，而远离另一个分类超平面。TWSVM的计算效率较之传统SVM提高近4倍，因此，自TWSVM提出后便受到研究人员的持续关注。但上述方法在分类决策时，一方面没有考虑数据的分布特征，另一方面较易受噪声点和奇异点的影响，分类效率难以显著提升。
发明内容
本发明要解决的技术问题是：提供一种基于数据分布特征及模糊隶属度函数的恒星光谱分类方法，以提升恒星光谱分类的效率。
为解决上述问题，本发明采用的技术方案是：在恒星光谱分类时，采用融合了数据分布特征的模糊双支持向量机(Fuzzy Twin Support Vector Machine with SpectralDistribution Properties,TWSVM-SDP)将恒星光谱中的两类分开，该TWSVM-SDP在TWSVM的基础上，引入了线性判别分析(Linear Discriminant Analysis,LDA)中的类间离散度和类内离散度，用以表征光谱数据的分布性状，引入了模糊隶属度函数，用以降低噪声点和奇异点对分类结果的影响。
进一步的，本发明中TWSVM-SDP算法的具体流程包括：
A.将目标光谱分为训练数据集和测试数据集，利用训练数据集建立基于类间离散度、类内离散度以及模糊隶属度函数的双支持向量机模型，所述双支持向量机模型的两个分类超平面的最优化问题为：
其约束条件为：s.t.-(Bw++e2b+)T+ξ≥e2ξ≥0
其约束条件为：s.t.(Aw-+e1b-)T+ξ≥e1ξ≥0
其中，矩阵A和B分别表示属于1类和-1类的数据集，w+和w-分别表示两个分类超平面的法向量，b+和b-分别表示两个分类超平面的位移项，c1和c2分别表示两个分类超平面的惩罚因子；β1和β2为两个分类超平面的平衡参数；e1和e2为全由1组成的列向量，SW为类间离散度，SB为类内离散度，s1和s2分别表示两个分类超平面的模糊隶属度函数，ξ表示松弛因子；
B.利用Lagrangian乘子法将双支持向量机模型的两个分类超平面的最优化问题转化为对偶形式，求得两个分类超平面的法向量和位移项，并根据求得的法向量和位移项定义决策函数：
C.利用决策函数对测试数据集中的样本进行类属判定。
进一步的，步骤B中，利用Lagrangian乘子法将双支持向量机模型的两个分类超平面的最优化问题转化为对偶形式的步骤包括：
B1.将双支持向量机模型的两个分类超平面的最优化问题表示为以下Lagrangian函数式：
其中，Lagrangian乘子α≥0，β≥0
其中，Lagrangian乘子γ≥0，θ≥0；
B2.L(w+,b+,ξ,α,β)分别对w+，b+，ξ求导并令导数等于0，得到：
0≤α≤c1s1
L(w-,b-,ξ,γ,θ)分别对w-，b-，ξ求导并令导数等于0，得到：
0≤γ≤c2s2；
B3.将步骤B2得到的等式代入步骤B1中的Lagrangian函数式分别得到以下对偶形式：
其约束条件为：s.t.0≤α≤c1s1
其约束条件为：s.t.0≤γ≤c2s2。
进一步的，所述决策函数为：
本发明的有益效果是：本发明恒星光谱分类时，提出一种融合数据分布特征的模糊双支持向量机(Fuzzy Twin Support Vector Machine with Spectral DistributionProperties,TWSVM-SDP)，该TWSVM-SDP通过引入线性判别分析(Linear DiscriminantAnalysis,LDA)的类间离散度和类内离散度，从而使算法考虑了光谱数据的分布性状；通过引入模糊隶属度函数，从而使算法降低了噪声点和奇异点对分类结果的影响。在SDSS DR8恒星光谱数据集上的比较实验表明，与支持向量机SVM、双支持向量机TWSVM等传统分类方法相比，本发明的TWSVM-SDP具有更优的分类能力。
具体实施方式
本发明针对传统双支持向量机在分类决策时并未考虑数据的分布特征，且易受噪声点和奇异点的影响的情况。在恒星光谱分类时，提出一种融合数据分布特征的模糊双支持向量机TWSVM-SDP。该TWSVM-SDP在双支持向量机TWSVM的基础上，通过引入LDA中的类间离散度SW和类内离散度SB用以表征光谱数据的分布特征，引入模糊隶属度函数s用以降低噪声点和奇异点对分类结果的影响。SDSS DR8恒星光谱数据集上的比较实验表明，与传统的SVM和TWSVM相比，TWSVM-SDP具有更优的分类能力。
1.在介绍本发明之前，以下通过1.1-1.3先对SVM和TWSVM、以及LDA进行简单说明。
假设给定N个样本集为X＝{(x1y1),...,(xN,yN)}，其中xi∈Rm，yi∈{-1,1}为类别标签。当1≤i≤N1时，yi＝1；当1≤i≤N2时，yi＝-1，且N＝N1+N2。
1.1支持向量机
支持向量机通过构造一个分类超平面将两类隔开。设分类超平面为wTx+b＝0，分类间隔为2/||w||，SVM的最优化问题可描述为：
s.t.yi(wTxi+b)≥1-ξi,ξi≥0i＝1,...,N
其中，C为惩罚因子，ξi为松弛因子。
由Lagrangian定理将原问题转化为如下对偶问题：
s.t.αTY＝0,α≥0
其中α＝[α1,…,αN]T，1＝[1,…,1]T，Y＝[y1,…,yN]T，0＝[0,…,0]T。
1.2双支持向量机
双支持向量机TWSVM试图找到两个非平行的分类超平面将两类分开。设矩阵A和B分别表示属于1类和-1类的数据集，设两类超平面方程分别为和则TWSVM的最优化问题可表示为以下形式：
TWSVM1
s.t.-(Bw++e2b+)T+ξ≥e2ξ≥0
TWSVM2
s.t.(Aw-+e1b-)T+ξ≥e1ξ≥0
其中，c1和c2分别表示两个分类超平面的惩罚因子；e1和e2为全由1组成的列向量，ξ为松弛因子。
由Lagrangian定理将原问题转化为如下对偶形式：
TWSVM1
s.t.0≤α≤c1
其中，H＝[A e1]，G＝[B e2]。
TWSVM2
s.t.0≤γ≤c2
其中，P＝[A e1],Q＝[B e2]。
1.3LDA
LDA是一种经典的特征提取方法，该方法提取的特征具有很好的可分性，即同类之间的距离尽可能近，异类之间的距离尽可能远。其优化问题可描述为：
其中c表示类别数，Ni表示第i类的规模，和分别表示第i类均值和所有光谱数据均值。
2.本发明TWSVM-SDP原理
本发明的融合数据分布特征的模糊双支持向量机TWSVM-SDP在双支持向量机TWSVM的基础上，引入LDA中的类间离散度SW和类内离散度SB用以表征光谱数据的分布特征，引入模糊隶属度函数s用以降低噪声点和奇异点对分类结果的影响。设两类超平面的方程分别为和TWSVM-SDP的最优化问题可描述为：
TWSVM-SDP1
s.t.-(Bw++e2b+)T+ξ≥e2ξ≥0 (2)
TWSVM-SDP2
s.t.(Aw-+e1b-)T+ξ≥e1ξ≥0 (4)
其中c1和c2分别表示两个分类超平面的惩罚因子；β1和β2表示两个分类超平面的平衡参数；e1和e2为全由1组成的列向量。
令TWSVM-SDP1的Lagrangian函数为：
其中，Lagrangian乘子α≥0，β≥0。
L(w+,b+,ξ,α,β)分别对w+，b+，ξ求导并令导数等于0，可得(6)-(8)式：
由(6)-(7)式可得：
将(9)-(10)式代入(5)式，可得：
令G＝A-B，H＝(SW-SB)-1，(11)式转化为：
s.t.0≤α≤c1s1 (13)
同理可得TWSVM-SDP2的对偶形式：
s.t.0≤γ≤c2s2 (15)
其中Q＝B-A，H＝(SW-SB)-1。
3.基于数据分布特征及模糊隶属度函数的恒星光谱分类方法
基于上述原理，本发明提出了一种基于数据分布特征及模糊隶属度函数的恒星光谱分类方法，具体步骤如下：
A.将目标光谱分为训练数据集和测试数据集，利用训练数据集建立基于类间离散度、类内离散度以及模糊隶属度函数的双支持向量机模型，设双支持向量机模型的两个分类超平面的方程分别为和则所述双支持向量机模型的两个分类超平面的最优化问题为：
TWSVM-SDP1
其约束条件为：s.t.-(Bw++e2b+)T+ξ≥e2ξ≥0
TWSVM-SDP2
其约束条件为：s.t.(Aw-+e1b-)T+ξ≥e1ξ≥0
其中，矩阵A和B分别表示属于1类和-1类的数据集，w+和w-分别表示两个分类超平面的法向量，b+和b-分别表示两个分类超平面的位移项，c1和c2分别表示两个分类超平面的惩罚因子；β1和β2为两个分类超平面的平衡参数；e1和e2为全由1组成的列向量，SW为类间离散度，SB为类内离散度，s1和s2分别表示两个分类超平面的模糊隶属度函数，ξ表示松弛因子；
B.利用Lagrangian乘子法将双支持向量机模型的两个分类超平面的最优化问题转化为对偶形式，求得两个分类超平面的法向量w+、w-和位移项b+、b-，并根据求得的法向量和位移项定义决策函数：
本步骤中，利用Lagrangian乘子法将双支持向量机模型的两个分类超平面的最优化问题转化为对偶形式的具体步骤包：
B1.将双支持向量机模型的两个分类超平面的最优化问题表示为以下Lagrangian函数式：
TWSVM-SDP1
其中，Lagrangian乘子α≥0，β≥0
TWSVM-SDP2
其中，Lagrangian乘子γ≥0，θ≥0；
B2.L(w+,b+,ξ,α,β)分别对w+，b+，ξ求导并令导数等于0，得到：
0≤α≤c1s1
L(w-,b-,ξ,γ,θ)分别对w-，b-，ξ求导并令导数等于0，得到：
0≤γ≤c2s2；
B3.将步骤B2得到的等式代入步骤B1中的Lagrangian函数式分别得到以下对偶形式：
TWSVM-SDP1
其约束条件为：s.t.0≤α≤c1s1
TWSVM-SDP2
其约束条件为：s.t.0≤γ≤c2s2。
根据法向量和位移项定义的决策函数为：
C.利用步骤B定义的决策函数对测试数据集中的样本进行类属判定。
4.实验分析
下面对本发明的恒星光谱分类方法进行实验分析。
实验采用美国斯隆巡天发布是SDSS DR8的恒星光谱数据作为实验数据集。实验对象是K型、F型、G型恒星光谱，其中K型光谱包括K1、K3、K5、K7四类次型，其性噪比(SignalNoise Ratio,SNR)区间为(50,60)；F型光谱包括F2、F5、F9三类次型，其中F2次型光谱性噪比区间为(50,60)，F5次型光谱性噪比区间为(65,70)，F9次型性光谱噪比区间为(75,80)；G型光谱包括G0、G2、G5三类次型，其中G0次型光谱性噪比区间为(50,60)，G2次型光谱性噪比区间为(55,60)，G5次型性噪光谱比区间为(50,70)，实验数据集如表1(a)-1(c)所示。
通过与SVM、TWSVM等分类方法的比较来验证所提方法TWSVM-SDP的有效性。上述分类方法的性能与所选的参数有关。本文选用10折交叉验证法获取实验参数，而参数的选择采用网格搜索法。在SVM和TWSVM中，惩罚因子在网格{0.01,0.05,0.1,0.5,1,5,10}中搜索。实验选取基于距离的模糊隶属度函数。分别选取实验对象的30％、40％、50％、60％、70％作为训练数据集，而剩余样本作为测试数据集。实验结果如表2(a)-2(c)所示，其中括号前的值表示样本规模，括号中的值表示所占比例。
表1(a)K型恒星光谱规模
Table 1(a)The total number of K stars
表1(b)F型恒星光谱规模
Table 1(b)The total number of F stars
表1(c)G型恒星光谱规模
Table 1(c)The total number of G stars
表2(a)K型恒星数据集上的比较实验结果
Table 2(a)The comparative experimental results on the K-type dataset
表2(b)F型恒星数据集上的比较实验结果
Table 2(b)The comparative experimental results on the F-type dataset
表2(c)G型恒星数据集上的比较实验结果
Table 2(c)The comparative experimental results on the G-type dataset
由表2(a)-2(c)可以看出：随着训练样本规模的增大，SVM、TWSVM、TWSVM-SDP三种分类方法的分类精度呈上升趋势(训练样本为70％的F型恒星光谱的情况除外)。在不同规模的训练样本情况下，TWSVM-SDP较之SVM、TWSVM具有更优的分类能力。从平均分类性能看，与SVM、TWSVM相比，TWSVM-SDP的分类表现更优。究其原因，TWSVM-SDP一方面继承了TWSVM计算效率较高的优势，另一方面其在分类决策时考虑了光谱数据的分布性状，通过引入模糊隶属度函数来降低噪声点和奇异点对分类结果的影响。因此，与SVM、TWSVM相比，TWSVM-SDP在恒星光谱分类中表现更优。
以上描述了本发明的基本原理和主要的特征，说明书的描述只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (4)

1.基于数据分布特征及模糊隶属度函数的恒星光谱分类方法，采用双支持向量机将恒星光谱中的两类分开，其特征在于，所述双支持向量机引入了线性判别分析中的类间离散度和类内离散度，用以表征光谱数据的分布性状，引入了模糊隶属度函数，用以降低噪声点和奇异点对分类结果的影响。
2.如权利要求1所述的基于数据分布特征及模糊隶属度函数的恒星光谱分类方法，其特征在于，所述双支持向量机算法的具体流程包括：
A.将目标光谱分为训练数据集和测试数据集，利用训练数据集建立基于类间离散度、类内离散度以及模糊隶属度函数的双支持向量机模型，所述双支持向量机模型的两个分类超平面的最优化问题为：
其约束条件为：s.t.-(Bw++e2b+)T+ξ≥e2 ξ≥0
其约束条件为：s.t.(Aw_+e1b_)T+ξ≥e1 ξ≥0
其中，矩阵A和B分别表示属于1类和-1类的数据集，w+和w_分别表示两个分类超平面的法向量，b+和b_分别表示两个分类超平面的位移项，c1和c2分别表示两个分类超平面的惩罚因子；β1和β2为两个分类超平面的平衡参数；e1和e2为全由1组成的列向量，SW为类间离散度，SB为类内离散度，s1和s2分别表示两个分类超平面的模糊隶属度函数，ξ表示松弛因子；
B.利用Lagrangian乘子法将双支持向量机模型的两个分类超平面的最优化问题转化为对偶形式，求得两个分类超平面的法向量和位移项，并根据求得的法向量和位移项定义决策函数：
C.利用决策函数对测试数据集中的样本进行类属判定。
3.如权利要求2所述的基于数据分布特征及模糊隶属度函数的恒星光谱分类方法，其特征在于，步骤B中，利用Lagrangian乘子法将双支持向量机模型的两个分类超平面的最优化问题转化为对偶形式的步骤包括：
B1.将双支持向量机模型的两个分类超平面的最优化问题表示为以下Lagrangian函数式：
其中，Lagrangian乘子α≥0，β≥0
其中，Lagrangian乘子γ≥0，θ≥0；
B2.L(w+,b+,ξ,α,β)分别对w+，b+，ξ求导并令导数等于0，得到：
0≤α≤c1s1
L(w_,b_,ξ,γ,θ)分别对w_，b_，ξ求导并令导数等于0，得到：
0≤γ≤c2s2；
B3.将步骤B2得到的等式代入步骤B1中的Lagrangian函数式分别得到以下对偶形式：
其约束条件为：s.t.0≤α≤c1s1
其约束条件为：s.t.0≤γ≤c2s2。
4.如权利要求3所述的基于数据分布特征及模糊隶属度函数的恒星光谱分类方法，其特征在于，所述决策函数为：
CN201810378637.2A 2018-04-25 2018-04-25 基于数据分布特征及模糊隶属度函数的恒星光谱分类方法 Pending CN108537290A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810378637.2A CN108537290A (zh) 2018-04-25 2018-04-25 基于数据分布特征及模糊隶属度函数的恒星光谱分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810378637.2A CN108537290A (zh) 2018-04-25 2018-04-25 基于数据分布特征及模糊隶属度函数的恒星光谱分类方法

Publications (1)

Publication Number Publication Date
CN108537290A true CN108537290A (zh) 2018-09-14

Family

ID=63479142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810378637.2A Pending CN108537290A (zh) 2018-04-25 2018-04-25 基于数据分布特征及模糊隶属度函数的恒星光谱分类方法

Country Status (1)

Country Link
CN (1) CN108537290A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334754A (zh) * 2019-06-26 2019-10-15 太原科技大学 一种将恒星光谱数据快速分类的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916376A (zh) * 2010-07-06 2010-12-15 浙江大学 基于局部样条嵌入的正交半监督子空间图像分类方法
CN104573630A (zh) * 2014-12-05 2015-04-29 杭州电子科技大学 基于双支持向量机概率输出的多类脑电模式在线识别方法
CN104915338A (zh) * 2014-03-12 2015-09-16 北京智慧农业有限公司 基于双胞支持向量回归的动态营养配比方法和系统
CN105447520A (zh) * 2015-11-23 2016-03-30 盐城工学院 一种基于加权投影对支持向量机的样本分类方法
CN105718941A (zh) * 2016-01-18 2016-06-29 中北大学 基于模糊大间隔最小球分类的恒星光谱离群数据挖掘方法
CN106127247A (zh) * 2016-06-21 2016-11-16 广东工业大学 基于多任务多示例支持向量机的图像分类方法
CN106951914A (zh) * 2017-02-22 2017-07-14 江苏大学 一种优化模糊鉴别向量提取的电子鼻鉴别食醋品种方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916376A (zh) * 2010-07-06 2010-12-15 浙江大学 基于局部样条嵌入的正交半监督子空间图像分类方法
CN104915338A (zh) * 2014-03-12 2015-09-16 北京智慧农业有限公司 基于双胞支持向量回归的动态营养配比方法和系统
CN104573630A (zh) * 2014-12-05 2015-04-29 杭州电子科技大学 基于双支持向量机概率输出的多类脑电模式在线识别方法
CN105447520A (zh) * 2015-11-23 2016-03-30 盐城工学院 一种基于加权投影对支持向量机的样本分类方法
CN105718941A (zh) * 2016-01-18 2016-06-29 中北大学 基于模糊大间隔最小球分类的恒星光谱离群数据挖掘方法
CN106127247A (zh) * 2016-06-21 2016-11-16 广东工业大学 基于多任务多示例支持向量机的图像分类方法
CN106951914A (zh) * 2017-02-22 2017-07-14 江苏大学 一种优化模糊鉴别向量提取的电子鼻鉴别食醋品种方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JAYADEVA 等: "Twin Support Vector Machines for Pattern Classification", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 *
LIU ZHONG-BAO 等: "Stellar Spectral Subclasses Classification Based on Fisher Criterion and Manifold Learning", 《ASTRONOMICAL SOCIETY OF THE PACIFIC》 *
LIU ZHONG-BAO: "Stellar Spectral Classification with Minimum Within-Class and Maximum Between-Class Scatter Support Vector Machine", 《JOURNAL OR ASTROPHSICS AND ASTRONOMY》 *
丁胜锋 等: "基于混合模糊隶属度的模糊双支持向量机研究", 《计算机应用研究》 *
刘忠宝 等: "基于流形模糊双支持向量机的恒星光谱分类方法", 《光谱学与光谱分析》 *
陈才扣 等: "基于散度差准则的隐空间特征抽取方法", 《计算机科学》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334754A (zh) * 2019-06-26 2019-10-15 太原科技大学 一种将恒星光谱数据快速分类的方法

Similar Documents

Publication Publication Date Title
CN108665058B (zh) 一种基于分段损失的生成对抗网络方法
CN111400180B (zh) 一种基于特征集划分和集成学习的软件缺陷预测方法
CN111695626A (zh) 基于混合采样与特征选择的高维度不平衡数据分类方法
CN108764366A (zh) 针对非均衡数据的特征选择和聚类抽样集成二分类方法
CN104598586B (zh) 大规模文本分类的方法
CN102346829A (zh) 基于集成分类的病毒检测方法
CN106682606A (zh) 一种人脸确认方法及安全认证装置
CN101901345A (zh) 一种差异蛋白质组学的分类方法
CN111965121B (zh) 一种基于光谱分析技术的煤炭焦渣的快速分类检测方法
CN109669990A (zh) 一种基于dbscan对密度不规则数据进行异常挖掘的改进算法
CN110322926A (zh) miRNA海绵模块的识别方法和装置
CN106548041A (zh) 一种基于先验信息和并行二进制微粒群算法的肿瘤关键基因识别方法
CN113095158A (zh) 一种基于对抗生成网络的笔迹生成方法及装置
CN108537290A (zh) 基于数据分布特征及模糊隶属度函数的恒星光谱分类方法
CN109447118A (zh) 一种基于Adaboost和欠采样的不平衡学习方法
CN106203508A (zh) 一种基于Hadoop平台的图像分类方法
CN116206327A (zh) 一种基于在线知识蒸馏的图像分类方法
CN110010204B (zh) 基于融合网络和多打分策略的预后生物标志物识别方法
CN110929761A (zh) 智能系统安全体系态势感知构架中采集样本的平衡方法
CN113779283A (zh) 一种深度监督与特征融合的细粒度跨媒体检索方法
CN109902746A (zh) 非对称的细粒度红外图像生成系统及方法
CN111709460A (zh) 基于相关系数的互信息特征选择方法
CN110555054B (zh) 一种基于模糊双超球分类模型的数据分类方法及系统
CN108520087B (zh) 一种机械结构异类多目标性能的稳健性度量与均衡优化设计方法
Liu et al. Credit evaluation with a data mining approach based on gradient boosting decision tree

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180914

RJ01 Rejection of invention patent application after publication