为解决该问题 ， 杨智明等3提出了一种自适应SMOTE ， 根据样本集内部特征 ， 自适应调整近邻选择策略 ， 控制样本合成质量 。
Zhai等4通过采用分层过滤机制来处理噪声数据 ， 运用少类选择策略和动态分布密度相结合 ， 改进数据分布的不均衡程度 。
许丹丹等5把少类样本过采样的范围推广到n维球体 ， 既解决了传统过采样技术引起的过拟合问题 ， 又解决了SMOTE算法中对虚拟少类样本的范围限制 。
但上述研究并未考虑在线贯序数据的分布规律 ， 生成的虚拟样本缺乏可信度 ， 因此无法有效解决在线贯序学习问题 。
从算法角度出发 ， 在线贯序极限学习机（ 。

11、Online Sequential Extreme Learning Machine ， OSELM）6在解决在线贯序数据的分类问题时表现出良好的性能 。
但OSELM以整体分类精度为目标 ， 对少类样本的识别能力有限 ， 尤其当样本集严重不均衡时 ， 极易导致对少类样本的误判 。
例如 ， 当容量为100的样本集中仅有5个少类样本时 ， 分类面将严重偏离 ， 此时多类样本可能全部分类正确 ， 即使少类样本全部误判 ， 整体分类精度仍可达到95% ， 显然这一结果对少类样本是“虚假”的 ， 对实际工程问题的解决毫无意义 。
综上可知 ， 单独考虑数据层面或者算法层面 ， 均难以有效解决不均衡在线贯序数据的分类问题 。
不难发现 ， 提取在线贯序数据的分布特性是解 。

12、决该问题的关键所在 。
为此 ， 本文同时从数据策略和算法策略入手 ， 通过引入主曲线提取在线数据的分布特性 ， 并在此基础上改进SMOTE方法 ， 提高对少类样本的过采样质量；同时引入动态加权的思想 ， 提出一种基于不均衡样本重构的加权在线贯序极限学习机（Imbalanced Samplereconstruction Weighted Online Sequential Extreme Learning Machine ， ISWOSELM）；最后采用UCI标准数据集和实际的澳门气象数据验证了该方法的有效性 。
1 相关工作 1.1 在线贯序极限学习机 极限学习机（Extreme Learning Machine ， ELM 。

13、）7是一种单隐层前馈神经网络 。
该算法随机挑选输入层参数 ， 直接利用MoorePenrose广义逆 ， 即可求得最小L2范数的输出层权重 。
整个学习过程只有隐神经元个数可调 ， 结构简单 ， 具有非常快的学习速度和优秀的泛化能力 。
在线贯序极限学习机是在原始ELM算法的基础上提出的在线增量式快速学习算法 。
由文献8可知 ， 算法步骤分为两个阶段： 步骤1 初始化阶段 。
1.2 主曲线 主曲线是通过数据集“中间”的光滑无参数曲线 ， 是线性主成分分析的非线性推广 ， 也是嵌入高维数据的非欧空间的一维流形表述9 。
主曲线理论基于一定概率分布下曲线的“自相合”性 ， 即曲线上任意点都是所有投影至该点的数据点的条件对偶 。
不同于传统的非线性回 。

14、归方法 ， 主曲线具有两个明显的优点：1）数据信息的保持性好；2）可有效勾勒出原始信息的轮廓 ， 即数据集是“云” ， 主曲线是该数据集的“骨架” 。
目前应用最广泛的是K主曲线 。
2 不均衡样本重构加权在线贯序极限学习机 为减少少类样本合成过程中的盲目性 ， 提高其分类精度 ， 本文同时从数据和算法两个角度出发 ， 提出一种基于不均衡样本重构的加权在线贯序极限学习机算法 ， 主要分为离线和在线两个阶段 。
2.1 离线阶段 初始离线阶段 ， 通过改进SMOTE算法 ， 对不均衡样本重构 ， 并建立初始模型 。
其基本思想是首先采用主曲线构建少类样本的可信区域 ， 得到种子样本 ， 再分别对每个种子样本 ， 采用所改进的SMOTE算法生成虚拟样本 ， 同时判 。

15、断其可信度；考虑到样本的离散度 ， 引入类中心和类平均距离的概念 ， 进一步对虚拟样本筛选进而得到均衡的样本集 ， 最后建立初始训练模型 。
首先给出几个定义：设某类样本集合S=xi ，i=1 ， 2 ，n ， 这里将”|”改成逗号 ， 全文统一 。
其中xi表示m维向量 ， 维数大小代表样本特征个数 。
定义1 类中心（class center）10是指某类样本在数据空间的平均中心点 。
类中心点c是与样本维数相同的请核实 ， c是否为向量为黑斜 。
c为黑斜向量 ， 计算方法如下所示： c=1nni=1x是否黑？xi表示向量 ， 为黑 。
xi（4） 定义2 类平均距离（class average distance）10是指某类中各样本到类中心距离 。

16、和的平均值 ， 是一标量 。
该距离d能够反映出类的距离程度 ， 值越小类距离程度越紧 ， 反之较松散 。

稿源：(未知)

【傻大方】网址：/a/2021/0821/0023864697.html

标题：基于|基于不均衡样本重构的加权在线贯序极限学习机( 二 )