.png){kind=icon}
返回
Imbalanced Data Classification for Multi-Source Heterogenous Sensor Networks
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2020.2966324.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统的分类算法大多基于样本的均匀分布，在处理此类数据时效果并不理想，主要表现为分类结果向多数类倾斜。因此，本文提出了基于支持向量机的非平衡多源异构数据分类算法。考虑到多源数据内部存在复杂的联系，将其表述为统一、简洁、高效的数学模型，可以完整地保留数据信息，提高数据处理效率。我们对异构数据进行张量表示和特征提取，并提出了两种不同的分类算法。在第一种方法中，我们直接将多源异构数据表示为统一的张量形式，并通过降维算法获得高质量的核心数据，然后通过支持张量机实现数据分类。在另一种方法中，我们从不同的数据源中提取数据，并使用集成深度支持向量机 (DSVM) 对它们进行分类，该集成深度支持向量机将三个DSVM与不同的核函数相结合。在CUAVE数据集上比较算法，该数据集包含声音和图像的两种不同模态。
Keyword:
Heterogeneous sensor network
imbalanced data
ensemble deep support vector machine
support tensors machine
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
分享收藏An efficient weighted Lagrangian twin support vector machine for imbalanced data classification一种有效的加权拉格朗日孪生支持向量机，用于不平衡数据分类.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容