CN112784883A - 一种基于样本选择扩充的冷水珊瑚分布预测方法及系统 - Google Patents

一种基于样本选择扩充的冷水珊瑚分布预测方法及系统 Download PDF

Info

Publication number
CN112784883A
CN112784883A CN202110017362.1A CN202110017362A CN112784883A CN 112784883 A CN112784883 A CN 112784883A CN 202110017362 A CN202110017362 A CN 202110017362A CN 112784883 A CN112784883 A CN 112784883A
Authority
CN
China
Prior art keywords
sample
probability
unlabeled
samples
prediction
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.)
Granted
Application number
CN202110017362.1A
Other languages
English (en)
Other versions
CN112784883B (zh
Inventor
高凤强
邵桂芳
黄浩
郭一晶
詹俦军
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.)
Xiamen University
Original Assignee
Xiamen 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 Xiamen University filed Critical Xiamen University
Priority to CN202110017362.1A priority Critical patent/CN112784883B/zh
Publication of CN112784883A publication Critical patent/CN112784883A/zh
Application granted granted Critical
Publication of CN112784883B publication Critical patent/CN112784883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于样本选择扩充的冷水珊瑚分布预测方法及系统。所述方法首先采用随机均匀采样的方法生成训练集，解决远洋珊瑚分布预测缺少负样本的问题。其次通过训练集进行径向基神经网络预测模型训练，并利用训练得到的模型对无标签样本进行标记。同时将上述步骤进行多次循环，排除单次预测的偶然性因素。再次在方法中引入先验知识的概念，对上一循环的无标签预测结果进行分组。然后根据正样本的概率越高置信度越高的原则，将不同的分组以不同的比例放到重新构建的虚拟无标签样本集合中，进入下一次的循环。最后根据平均正样本概率对无标签样本进行分类实现对冷水珊瑚分布的预测。

Description

一种基于样本选择扩充的冷水珊瑚分布预测方法及系统
技术领域
本发明涉及一种基于样本选择扩充的冷水珊瑚分布预测方法及系统。
背景技术
冷水珊瑚在全世界分布广泛，遍布海洋的大多数地区。全世界41个国家的邻近海域都发现了冷水珊瑚，但冷水珊瑚的生存正面临着来自人类的前所未有的威胁。对冷水珊瑚构成威胁的人类活动包括：深海拖网捕捞、铺设海底电缆、倾倒垃圾和工业污染等。
加强冷水珊瑚管理与保护刻不容缓，而有效的物种分布信息是管理与保护的前提。然而深海观测数据获取成本高，很难通过大规模的深海观测获取到完整的冷水珊瑚全球分布信息。因此基于部分深海观测信息对冷水珊瑚的分布进行预测成为了研究热度。受限于深海观测的技术限制，在存在冷水珊瑚的地方不一定能捕捉到冷水珊瑚。在样本定义过程中，实际的深海观测中没有发现冷水珊瑚，也不能将该采样点划分为冷水珊瑚负样本。而只能将实际的深海观测中发现冷水珊瑚的地点划分为冷水删除的正样本。冷水珊瑚分布的预测与传统的预测不同点在于，冷水珊瑚的预测存在负样本获取困难的特点。基于此背景，本发明提出一种冷水珊瑚分布预测算法，着眼解决训练集的组合和模型准确度的提升问题。
发明内容
本发明的目的在于提供一种基于样本选择扩充的冷水珊瑚分布预测方法及系统，可有效提高预测结果的准确度。
为实现上述目的，本发明的技术方案是：一种基于样本选择扩充的冷水珊瑚分布预测方法，包括如下步骤：
采用随机均匀采样的方法生成冷水珊瑚分布样本训练集；
通过训练集进行径向基神经网络预测模型训练，并利用训练得到的模型对无标签样本进行标记，并重复循环多次；
引入先验知识的概念，对无标签预测结果进行分组，然后根据正样本的概率越高置信度越高的原则，将不同的分组以不同的比例放到重新构建的虚拟无标签样本集合中，进入下一次的循环；
根据平均正样本概率对无标签样本进行分类实现对冷水珊瑚分布的预测。
在本发明一实施例中，该方法具体实现步骤如下：
步骤1、将远洋冷水珊瑚分布样本分为正样本集为RP、无标签样本集为Ru和虚拟无标签样本集为Rvu；虚拟无标签样本集Rvu从无标签样本集Ru中采样得到；
步骤2、获取正样本集RP的样本个数P，无标签样本集Ru的样本个数U和虚拟无标签样本集Rvu的样本个数V；如果V为0，则将无标签样本集Ru的样本复制到虚拟无标签样本集Rvu,并设置V＝U；
步骤3、从虚拟无标签样本集Rvu中随机选择N个样本作为负样本集(N<V/2)，剩余样本作为预测集；
步骤4、将P个正样本集和N个负样本集组合，作为训练集，训练集一共有P+N个样本；
步骤5、建立一个径向基神经网络，网络输入为远洋冷水珊瑚分布样本特征，网络输出为正样本的概率，网络有一个隐含层，包含l个径向基(l＜(P+N))，连接方式为全连接；径向基神经网络公式如下：
Figure BDA0002887412000000021
Figure BDA0002887412000000022
Figure BDA0002887412000000023
式中，x为径向基神经网络输入，f(x)为隐含层输出，Net(x)为网络输出，wi为网络权值，φi(x)为高斯径向基，μi为径向基中心，ηi为径向基宽度；
步骤6、将步骤4所得样本作为径向基神经网络的训练数据，使用梯度下降法对径向基神经网络进行训练，更新参数；设径向基神经网络参数集为θ，则参数更新公式为：
Figure BDA0002887412000000024
式中，θnew为径向基神经网络更新后的参数，θold为径向基神经网络当前参数，α为径向基神经网络学习速率，Net(x)为径向基神经网络，
Figure BDA0002887412000000025
为径向基神经网络参数梯度；
步骤7、采用步骤6所获得的径向基神经网络对预测集进行预测，得到预测集中每个样本为正样本的概率；
步骤8、重复步骤3～步骤7，循环K次，记录每次预测集中每个样本为正样本的概率，并分别对无标签样本集合Ru中每个样本为正样本的概率进行累加后求平均，获得所有无标签样本集合Ru的平均正样本概率；
步骤9、根据平均正样本概率对无标签样本集合Ru进行分组；如果平均正样本概率<0.5则划分为样本集Rn1；如果平均正样本概率>＝0.5但<0.6，则划分为样本集Rn2；如果平均正样本概率>＝0.6但<0.7，则划分为样本集Rn3；如果平均概率>＝0.7但<0.8，则划分为样本集Rn4；如果平均正样本概率>＝0.8但<0.9，则划分为样本集Rn5；如果平均正样本概率>＝0.9，则划分为样本集Rn6；
步骤10、重新构建虚拟无标签样本集合Rvu；将虚拟无标签样本集合Rvu样本清零；将Rn1增加到集合Rvu；随机抽取样本集Rn2中50％的样本增加到集合Rvu；随机抽取样本集Rn3中40％的样本增加到集合Rvu；随机抽取样本集Rn4中30％的样本增加到集合Rvu；随机抽取样本集Rn5中20％的样本增加到集合Rvu；随机抽取样本集Rn6中10％的样本增加到集合Rvu；
步骤11、重复步骤2～步骤10，循环L次；对无标签样本集合Ru中每个样本为正样本的概率进行累加后求平均，获得所有无标签样本集合Ru的平均正样本概率；
步骤12、根据平均正样本概率对无标签样本Ru进行分类，如果平均概率>＝0.5,则划分为正样本；如果平均概率<0.5则划分为负样本。
本发明还提供了一种基于样本选择扩充的冷水珊瑚分布预测系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上所述的方法步骤。
相较于现有技术，本发明具有以下有益效果：本发明方法及系统通过随机均匀采样，生成了训练集，解决了远洋珊瑚分布预测缺少负样本的问题；通过训练集进行径向基神经网络预测模型训练，然后利用训练得到的模型对无标签样本进行标记，并重复循环多次，排除单次预测的偶然性因素，大大提高了结果的可信度；采用先验知识的概念，对上一循环的无标签预测结果进行分组。然后根据正样本的概率越高置信度越高的原则，将不同的分组以不同的比例放回到无标签样本中进入下一次的循环。本发明方法可有效提高预测结果的准确度。采用的径向基神经网络相比于传统BP神经网络，具有泛化能力强，收敛速度快的特点。因此本发明方法采用径向基神经网络能更高效、更准确的进行无标签样本的标记。
附图说明
图1为本发明方法流程图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明一种基于样本选择扩充的冷水珊瑚分布预测方法，包括如下步骤：
采用随机均匀采样的方法生成冷水珊瑚分布样本训练集；
通过训练集进行径向基神经网络预测模型训练，并利用训练得到的模型对无标签样本进行标记，并重复循环多次；
引入先验知识的概念，对无标签预测结果进行分组，然后根据正样本的概率越高置信度越高的原则，将不同的分组以不同的比例放到重新构建的虚拟无标签样本集合中，进入下一次的循环；
根据平均正样本概率对无标签样本进行分类实现对冷水珊瑚分布的预测。
如图1所述，本发明方法具体实现步骤如下：
步骤1、将远洋冷水珊瑚分布样本分为正样本集为RP、无标签样本集为Ru和虚拟无标签样本集为Rvu；虚拟无标签样本集Rvu从无标签样本集Ru中采样得到；
步骤2、获取正样本集RP的样本个数P，无标签样本集Ru的样本个数U和虚拟无标签样本集Rvu的样本个数V；如果V为0，则将无标签样本集Ru的样本复制到虚拟无标签样本集Rvu,并设置V＝U；
步骤3、从虚拟无标签样本集Rvu中随机选择N个样本作为负样本集(N<V/2)，剩余样本作为预测集；
步骤4、将P个正样本集和N个负样本集组合，作为训练集，训练集一共有P+N个样本；
步骤5、建立一个径向基神经网络，网络输入为远洋冷水珊瑚分布样本特征，网络输出为正样本的概率，网络有一个隐含层，包含l个径向基(l＜(P+N))，连接方式为全连接；径向基神经网络公式如下：
Figure BDA0002887412000000041
Figure BDA0002887412000000042
Figure BDA0002887412000000043
式中，x为径向基神经网络输入，f(x)为隐含层输出，Net(x)为网络输出，wi为网络权值，φi(x)为高斯径向基，μi为径向基中心，ηi为径向基宽度；
步骤6、将步骤4所得样本作为径向基神经网络的训练数据，使用梯度下降法对径向基神经网络进行训练，更新参数；设径向基神经网络参数集为θ，则参数更新公式为：
Figure BDA0002887412000000051
式中，θnew为径向基神经网络更新后的参数，θold为径向基神经网络当前参数，α为径向基神经网络学习速率，Net(x)为径向基神经网络，
Figure BDA0002887412000000052
为径向基神经网络参数梯度；
步骤7、采用步骤6所获得的径向基神经网络对预测集进行预测，得到预测集中每个样本为正样本的概率；
步骤8、重复步骤3～步骤7，循环K次，记录每次预测集中每个样本为正样本的概率，并分别对无标签样本集合Ru中每个样本为正样本的概率进行累加后求平均，获得所有无标签样本集合Ru的平均正样本概率；
步骤9、根据平均正样本概率对无标签样本集合Ru进行分组；如果平均正样本概率<0.5则划分为样本集Rn1；如果平均正样本概率>＝0.5但<0.6，则划分为样本集Rn2；如果平均正样本概率>＝0.6但<0.7，则划分为样本集Rn3；如果平均概率>＝0.7但<0.8，则划分为样本集Rn4；如果平均正样本概率>＝0.8但<0.9，则划分为样本集Rn5；如果平均正样本概率>＝0.9，则划分为样本集Rn6；
步骤10、重新构建虚拟无标签样本集合Rvu；将虚拟无标签样本集合Rvu样本清零；将Rn1增加到集合Rvu；随机抽取样本集Rn2中50％的样本增加到集合Rvu；随机抽取样本集Rn3中40％的样本增加到集合Rvu；随机抽取样本集Rn4中30％的样本增加到集合Rvu；随机抽取样本集Rn5中20％的样本增加到集合Rvu；随机抽取样本集Rn6中10％的样本增加到集合Rvu；
步骤11、重复步骤2～步骤10，循环L次；对无标签样本集合Ru中每个样本为正样本的概率进行累加后求平均，获得所有无标签样本集合Ru的平均正样本概率；
步骤12、根据平均正样本概率对无标签样本Ru进行分类，如果平均概率>＝0.5,则划分为正样本；如果平均概率<0.5则划分为负样本。
本发明还提供了一种基于样本选择扩充的冷水珊瑚分布预测系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上所述的方法步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (3)

1.一种基于样本选择扩充的冷水珊瑚分布预测方法，其特征在于，包括如下步骤：
采用随机均匀采样的方法生成冷水珊瑚分布样本训练集；
通过训练集进行径向基神经网络预测模型训练，并利用训练得到的模型对无标签样本进行标记，并重复循环多次；
引入先验知识的概念，对无标签预测结果进行分组，然后根据正样本的概率越高置信度越高的原则，将不同的分组以不同的比例放到重新构建的虚拟无标签样本集合中，进入下一次的循环；
根据平均正样本概率对无标签样本进行分类实现对冷水珊瑚分布的预测。
2.根据权利要求1所述的一种基于样本选择扩充的冷水珊瑚分布预测方法，其特征在于，该方法具体实现步骤如下：
步骤1、将远洋冷水珊瑚分布样本分为正样本集为RP、无标签样本集为Ru和虚拟无标签样本集为Rvu；虚拟无标签样本集Rvu从无标签样本集Ru中采样得到；
步骤2、获取正样本集RP的样本个数P，无标签样本集Ru的样本个数U和虚拟无标签样本集Rvu的样本个数V；如果V为0，则将无标签样本集Ru的样本复制到虚拟无标签样本集Rvu,并设置V＝U；
步骤3、从虚拟无标签样本集Rvu中随机选择N个样本作为负样本集(N<V/2)，剩余样本作为预测集；
步骤4、将P个正样本集和N个负样本集组合，作为训练集，训练集一共有P+N个样本；
步骤5、建立一个径向基神经网络，网络输入为远洋冷水珊瑚分布样本特征，网络输出为正样本的概率，网络有一个隐含层，包含l个径向基(l＜(P+N))，连接方式为全连接；径向基神经网络公式如下：
Figure FDA0002887411990000011
Figure FDA0002887411990000012
Figure FDA0002887411990000013
式中，x为径向基神经网络输入，f(x)为隐含层输出，Net(x)为网络输出，wi为网络权值，φi(x)为高斯径向基，μi为径向基中心，ηi为径向基宽度；
步骤6、将步骤4所得样本作为径向基神经网络的训练数据，使用梯度下降法对径向基神经网络进行训练，更新参数；设径向基神经网络参数集为θ，则参数更新公式为：
Figure FDA0002887411990000021
式中，θnew为径向基神经网络更新后的参数，θold为径向基神经网络当前参数，α为径向基神经网络学习速率，Net(x)为径向基神经网络，
Figure FDA0002887411990000022
为径向基神经网络参数梯度；
步骤7、采用步骤6所获得的径向基神经网络对预测集进行预测，得到预测集中每个样本为正样本的概率；
步骤8、重复步骤3～步骤7，循环K次，记录每次预测集中每个样本为正样本的概率，并分别对无标签样本集合Ru中每个样本为正样本的概率进行累加后求平均，获得所有无标签样本集合Ru的平均正样本概率；
步骤9、根据平均正样本概率对无标签样本集合Ru进行分组；如果平均正样本概率<0.5则划分为样本集Rn1；如果平均正样本概率>＝0.5但<0.6，则划分为样本集Rn2；如果平均正样本概率>＝0.6但<0.7，则划分为样本集Rn3；如果平均概率>＝0.7但<0.8，则划分为样本集Rn4；如果平均正样本概率>＝0.8但<0.9，则划分为样本集Rn5；如果平均正样本概率>＝0.9，则划分为样本集Rn6；
步骤10、重新构建虚拟无标签样本集合Rvu；将虚拟无标签样本集合Rvu样本清零；将Rn1增加到集合Rvu；随机抽取样本集Rn2中50％的样本增加到集合Rvu；随机抽取样本集Rn3中40％的样本增加到集合Rvu；随机抽取样本集Rn4中30％的样本增加到集合Rvu；随机抽取样本集Rn5中20％的样本增加到集合Rvu；随机抽取样本集Rn6中10％的样本增加到集合Rvu；
步骤11、重复步骤2～步骤10，循环L次；对无标签样本集合Ru中每个样本为正样本的概率进行累加后求平均，获得所有无标签样本集合Ru的平均正样本概率；
步骤12、根据平均正样本概率对无标签样本Ru进行分类，如果平均概率>＝0.5,则划分为正样本；如果平均概率<0.5则划分为负样本。
3.一种基于样本选择扩充的冷水珊瑚分布预测系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-2所述的方法步骤。
CN202110017362.1A 2021-01-07 2021-01-07 一种基于样本选择扩充的冷水珊瑚分布预测方法及系统 Active CN112784883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110017362.1A CN112784883B (zh) 2021-01-07 2021-01-07 一种基于样本选择扩充的冷水珊瑚分布预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110017362.1A CN112784883B (zh) 2021-01-07 2021-01-07 一种基于样本选择扩充的冷水珊瑚分布预测方法及系统

Publications (2)

Publication Number Publication Date
CN112784883A true CN112784883A (zh) 2021-05-11
CN112784883B CN112784883B (zh) 2022-08-12

Family

ID=75756656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110017362.1A Active CN112784883B (zh) 2021-01-07 2021-01-07 一种基于样本选择扩充的冷水珊瑚分布预测方法及系统

Country Status (1)

Country Link
CN (1) CN112784883B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084374A (zh) * 2019-04-24 2019-08-02 第四范式（北京）技术有限公司 构建基于pu学习的模型的方法、装置及预测方法、装置
CN110135295A (zh) * 2019-04-29 2019-08-16 华南理工大学 一种基于迁移学习的无监督行人重识别方法
CN110537184A (zh) * 2017-05-19 2019-12-03 华为技术有限公司 利用生成式对抗网络的半监督回归
CN111291887A (zh) * 2020-03-06 2020-06-16 北京迈格威科技有限公司 神经网络的训练方法、图像识别方法、装置及电子设备
CN111310814A (zh) * 2020-02-07 2020-06-19 支付宝(杭州)信息技术有限公司 利用不平衡正负样本对业务预测模型训练的方法及装置
CN111461164A (zh) * 2020-02-25 2020-07-28 清华大学 样本数据集的扩容方法及模型的训练方法
CN111523596A (zh) * 2020-04-23 2020-08-11 北京百度网讯科技有限公司 目标识别模型训练方法、装置、设备以及存储介质
CN111667028A (zh) * 2020-07-09 2020-09-15 腾讯科技（深圳）有限公司 一种可靠负样本确定方法和相关装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110537184A (zh) * 2017-05-19 2019-12-03 华为技术有限公司 利用生成式对抗网络的半监督回归
CN110084374A (zh) * 2019-04-24 2019-08-02 第四范式（北京）技术有限公司 构建基于pu学习的模型的方法、装置及预测方法、装置
CN110135295A (zh) * 2019-04-29 2019-08-16 华南理工大学 一种基于迁移学习的无监督行人重识别方法
CN111310814A (zh) * 2020-02-07 2020-06-19 支付宝(杭州)信息技术有限公司 利用不平衡正负样本对业务预测模型训练的方法及装置
CN111461164A (zh) * 2020-02-25 2020-07-28 清华大学 样本数据集的扩容方法及模型的训练方法
CN111291887A (zh) * 2020-03-06 2020-06-16 北京迈格威科技有限公司 神经网络的训练方法、图像识别方法、装置及电子设备
CN111523596A (zh) * 2020-04-23 2020-08-11 北京百度网讯科技有限公司 目标识别模型训练方法、装置、设备以及存储介质
CN111667028A (zh) * 2020-07-09 2020-09-15 腾讯科技（深圳）有限公司 一种可靠负样本确定方法和相关装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KRISTEN JASKIE ET AL.: "Positive And Unlabeled Learning Algorithms And Applications: A Survey", 《2019 10TH INTERNATIONAL CONFERENCE ON INFORMATION, INTELLIGENCE, SYSTEMS AND APPLICATIONS (IISA)》 *
李炳聪: "用正则的方法在正样本和无标签样本上训练二分类器", 《信息与电脑(理论版)》 *
熊智翔 等: "使用少量有标签样本学习的方法", 《计算机应用》 *
缪亚敏: "滑坡危险度评价中的负样本采样方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 *

Also Published As

Publication number Publication date
CN112784883B (zh) 2022-08-12

Similar Documents

Publication Publication Date Title
Murray et al. Past, present and future eutrophication status of the Baltic Sea
Lancelot et al. Modelling diatom and Phaeocystis blooms and nutrient cycles in the Southern Bight of the North Sea: the MIRO model
De Laender et al. Carbon transfer in a herbivore-and microbial loop-dominated pelagic food webs in the southern Barents Sea during spring and summer
CN110956222B (zh) 用于水下目标检测的检测网络的方法
CN111695640B (zh) 地基云图识别模型训练方法及地基云图识别方法
CN105354829A (zh) 一种自适应的点云数据分割方法
Miller et al. Multivariate random forest models of estuarine-associated fish and invertebrate communities
Roura et al. Short-term meso-scale variability of mesozooplankton communities in a coastal upwelling system (NW Spain)
Barz et al. Scyphozoa in the Bornholm Basin (central Baltic Sea)–The role of advection
Blackett et al. Population ecology of Muggiaea atlantica (Cnidaria, Siphonophora) in the western english channel
CN112784883B (zh) 一种基于样本选择扩充的冷水珊瑚分布预测方法及系统
CN113222209B (zh) 基于域适应的区域尾气迁移预测方法、系统及存储介质
CN110457295A (zh) 基于社会关系感知的时序数据补全系统
CN116486244A (zh) 基于细节增强的水下目标检测方法
CN104850646B (zh) 一种针对单个不确定图的频繁子图挖掘方法
CN111539519A (zh) 一种面向海量数据的卷积神经网络训练引擎方法及系统
Maufroy et al. How many Fish Aggregating Devices are currently drifting in the Indian Ocean? Combining sources of information to provide a reliable estimate.
Dahal et al. Performance of different classification models on national coral reef monitoring dataset
Cyriac et al. An overview of the applications of particle swarm in water resources optimization
CN112419092A (zh) 一种基于粒子群优化极限学习机的线损预测方法
Azovsky et al. Community-level spatiotemporal synchrony: new metric and application to White Sea meiobenthic harpacticoids
Jones et al. Patches of crab megalopae in the mouth of delaware bay—an analysis of spatial scales
James et al. Great Barrier Reef hydrodynamics, reef connectivity and Acanthaster population dynamics
Chen et al. Real-time detection and classification for targeted marine mammals
CN113673605B (zh) 一种海水溶解氧评估方法

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
GR01 Patent grant
GR01 Patent grant