导读:本文包含了均衡分类器论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:神经网络,信道,模糊,自然语言,向量,矩阵,样本。
均衡分类器论文文献综述
景永霞,苟和平,冯百明,李勇[1]（2013）在《不均衡数据集中KNN分类器样本裁剪算法》一文中研究指出针对KNN算法在分类时的样本相似度计算开销大,在处理不均衡数据集时少数类分类误差大的问题,提出一种在不均衡数据集下基于密度的训练样本裁剪算法。对训练样本的各个样本类进行聚类,删除噪声数据并计算每个样本类的平均相似度和样本平均密度,以此获得样本类裁剪的相似度阈值,然后将样本类内相似度小于类相似度阈值的样本进行合并,减少训练样本总数。实验表明,此样本裁剪算法能够在保持KNN算法分类性能基本稳定的前提下,有效地减少分类计算开销,并能在一定程度上提高少数类的分类性能。(本文来源于《科学技术与工程》期刊2013年16期）
李正欣,赵林度[2]（2008）在《基于SMOTEBoost的非均衡数据集SVM分类器》一文中研究指出在对实际问题进行数据挖掘时面临的多数是非均衡数据集,即各种类型的数据分布并不均匀,且关注的类型常是少数类。运用含有少量少数类型事例的数据集训练后的模型进行预测时,通常对多数类的预测精度很高,而少数类的预测精确性却很差。提出了一种集成方法SMOTEBoostSVM,通过SMOTE技术人工生成增加少数类样本量,以具有较强分类性能和泛化性能的SVM作为弱分类器,并以AdaBoost算法构建集成分类器。实验结果表明,SMOTEBoostSVM集成分类器比单纯运用SMOTE技术、AdaBoost算法以及SVM等的分类器,在非均衡数据集的分类预测中具有更好的效果。(本文来源于《系统工程》期刊2008年05期）
孙云山,李艳琴,张立毅[3]（2008）在《模糊神经网络分类器在盲均衡算法中的应用》一文中研究指出提出一种基于模糊神经网络分类器的盲均衡算法,将盲信道估计与模糊神经网络分类器相结合,先对通信信道进行盲估计,然后利用卷积原理重建信号,用模糊神经网络替代原有的判决器,从而实现了盲均衡。通过仿真实验证明,该算法加快了收敛速度,减小了剩余误差,降低了误码率。(本文来源于《计算机工程与应用》期刊2008年07期）
孙云山[4]（2006）在《基于信号估计的模糊神经网络分类器盲均衡算法的研究》一文中研究指出盲均衡是数字通信系统中消除码间干扰的关键技术，它能够不借助训练序列，而仅仅利用所接收到的信号序列的先验信息对信道进行均衡。传统盲均衡器中采用固定的判决电平，造成高的判决误差。模糊神经网络结合了神经网络和模糊理论各自的优点，模糊神经网络分类器可对不确定信息作出定量描述，具有很高的识别精度，可以有效降低判决误差。 本文所做的主要工作有： (1) 简要概述了现有基于神经网络盲均衡算法的各种实现方法及其发展动态，分析了其特点。同时，阐述了模糊神经神经网络在均衡器中的应用以及现有的盲信道估计的实现方法。提出了模糊神经网络在盲均衡算法中的几种可行的应用方式及其原理。 (2) 针对原有盲均衡器采用固定电平进行判决的特点，提出了一种由模糊神经网络分类器代替原有判决器的盲均衡算法。该算法将盲信道估计、反卷积和模糊神经网络分类器相联系。文中给出了高阶累积量盲信道估计的推导公式，利用反卷积获得输入信号的初步估计值，再利用模糊神经网络分类器进行判决。计算机仿真表明，新算法相对于前馈神经网络盲均衡算法在性能上有一定的提高与改善，不仅加快了收敛速度，而且减小了稳态剩余误差。 (3) 提出了一种模糊神经网络聚类盲均衡算法。该算法根据聚类(本文来源于《太原理工大学》期刊2006-04-01）
孙云山,张立毅,李艳琴[5]（2005）在《基于模糊分类器的PAM盲均衡算法》一文中研究指出码间干扰是严重影响数字通信质量的重要因素之一,均衡器的作用主要是用来消除码问干扰,盲均衡算法是指在不借助训练序列的情况下,只根据接收信号直接进行均衡。本文提出一种新的基于模糊神经网络分类器的盲均衡算法,它利用盲估计(BE:Blind Estimate)算法与模糊神经网络(FNN:Fuzzy Neuron Network)分类器相结合,先对通信信道进行盲估计,然后利用FNN的分类功能对接收信号进行分类。本算法克服了原有盲均衡算法反解卷积计算量大的缺点,加快了收敛速度。通过仿真,验证了算法的有效性。(本文来源于《四川省通信学会2005年学术年会论文集》期刊2005-12-01）
鲁松[6]（2001）在《自然语言处理中词相关性知识无导获取和均衡分类器构建》一文中研究指出专家系统创始人E．A．Feigenbaum有句名言：“专家的知识是专家能力的关键”。同理，我们认为拥有完备、一致并且细腻的自然语言知识是计算语言学得以突破的关键之一。 在计算语言学领域，传统手工方法的失败和后起统计方法、模式识别方法和机器学习方法的成功反映和验证了这一客观现实。 因此在计算语言学领域，本文选择了“汉语词间相关性知识无导获取”和“均衡机器学习分类器构建”2个问题进行了深入的研究。虽然2个问题的研究内容不同，但都属自然语言知识获取(knowledge acquisition)的范畴。目的只有一个：获取完备、细腻的知识，但侧重点不同而已： [1] 汉语词间相关性知识无导获取致力于构建一个通用、细腻的，以词间距离“量”化形式描述的词语相关性基础知识库。 [2] 均衡机器学习分类器的构建是针对自然语言处理中诸多消歧问题提出的一种方法，在认同自然语言中规律知识与例外知识并存假设的基础上，从知识表示、知识获取和知识推理3个方面对它们加以区别对待和处理。 在词语相关性知识无导获取研究中，本文依托信息检索领域的向量空间模型，沿途依次解决以下问题： (a) 通过信息论中的信息增益概念确定上下文各位置信息量，以函数拟和方法确定“信息量位置函数”，并积分信息量确定上下文有效范围的边界，为进一步计算提供“量”上的指导。 (b) 在引入X-矩阵概念的基础上，改进tf.idf词语权重计算提出tf.idf.IG的上下文词语权重计算方法。 (c) 针对词间相关性知识无导获取的目标，定义了3种类型的噪音，并根据客观硬件环境给出了相应的一整套极为有效的噪音消除策略。 (d) 通过词语的2维可视化结果验证噪音消除效果，并提出了根据对其主观满意度确定主成分分析“累计方差贡献率”的策略。同时将获取得到的词语相关性知识库应用于Memory-Based Learning中属性值距离计算中，通过分类正确率检验所得知识的有效性。 自然语言处理中绝大多数问题都可以被形式化为典型的分类问题，如何根据自然语言中规律知识和例外知识各自的特点，构造均衡分类器是本文的另一个研究内容。提取的规则和Memory-Based Learning是认同推理假设极端相左，但却互补性极强的2种机器学习方法，结合这2种方(本文来源于《中国科学院研究生院（计算技术研究所）》期刊2001-05-01）
均衡分类器论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在对实际问题进行数据挖掘时面临的多数是非均衡数据集,即各种类型的数据分布并不均匀,且关注的类型常是少数类。运用含有少量少数类型事例的数据集训练后的模型进行预测时,通常对多数类的预测精度很高,而少数类的预测精确性却很差。提出了一种集成方法SMOTEBoostSVM,通过SMOTE技术人工生成增加少数类样本量,以具有较强分类性能和泛化性能的SVM作为弱分类器,并以AdaBoost算法构建集成分类器。实验结果表明,SMOTEBoostSVM集成分类器比单纯运用SMOTE技术、AdaBoost算法以及SVM等的分类器,在非均衡数据集的分类预测中具有更好的效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
均衡分类器论文参考文献
[1].景永霞,苟和平,冯百明,李勇.不均衡数据集中KNN分类器样本裁剪算法[J].科学技术与工程.2013
[2].李正欣,赵林度.基于SMOTEBoost的非均衡数据集SVM分类器[J].系统工程.2008
[3].孙云山,李艳琴,张立毅.模糊神经网络分类器在盲均衡算法中的应用[J].计算机工程与应用.2008
[4].孙云山.基于信号估计的模糊神经网络分类器盲均衡算法的研究[D].太原理工大学.2006
[5].孙云山,张立毅,李艳琴.基于模糊分类器的PAM盲均衡算法[C].四川省通信学会2005年学术年会论文集.2005
[6].鲁松.自然语言处理中词相关性知识无导获取和均衡分类器构建[D].中国科学院研究生院（计算技术研究所）.2001
论文知识图
