分别以每个种子样本为中心 ， 生成虚拟样本并筛选 ， 最终得到均衡的初始训练样本集 。
使用改进SMOTE算法前后2010年的样本数目如表4 。
由表4可知 ， 经改进SMOTE算法处理之后 ， 两类样本的数据比近似于11 ， 从而解决了离线阶段的数据不均衡问题 。
利用处理后的均衡离线样本集 ， 建立 。

23、初始模型 。
给定隐层激活函数为RBF核函数 ， 对2011的数据进行在线贯序训练 。
图6和图7分别为随隐层节点个数变化 ， ISWOSELM、MCOSELM、OSELM和ELM的训练精度和测试精度的变化 。
设定隐节点个数为30 ， 分别用ISWOSELM、OSELM、ELM和MCOSELM四种算法对气象数据进行仿真实验 ， 表5为四种算法运行30次所得结果的平均性能比较 。
从表5中可以看出 ， 尽管ISWOSELM对多类样本的识别率略有下降 ， 总体测试精度也未达到最佳 ， 但其少类训练精度和测试精度均明显优于其他三种算法 ， 其中少类测试精度分别比其他三种算法提高了22.87%、25.76%和22.42% ， 因而大大减少了少类样 。

24、本的误判率 。
从另一个方面来说 ， ELM和OSELM多类测试精度明显较高 ， 恰恰表明直接对类别严重不均衡的样本分类 ， 分类面更加偏向于少类样本 ， 从而造成多类样本分类效果的“虚假”提升 。
是否应为图6和图7？图6和图7中 ， 随隐层节点变化 ， 四种算法的图形均有一定程度的波动 ， 这是ELM本身的随机性所致 。
但不难发现 ， 较其他三种算法 ， ISWOSELM的图形波动相对较小 ， 表现出良好的稳健性 。
从表5可以看出 ， ISWOSELM的训练时间与其他三种算法接近 ， 但少类的测试精度明显提高 ， 由此可以看出 ， 在不增加算法时间复杂度的前提下 ， ISWOSELM对少类样本的识别率更高 ， 更适合于不均衡在线贯序数据的分类问题 。
4 结语 本文 。

25、提出了一种基于不均衡样本重构的加权在线贯序极限学习机 ， 继承了OSELM算法在线、快速学习的特点 ， 通过引入主曲线提取数据的分布特性 ， 减少了少类样本合成过程的盲目性 ， 在不影响算法计算复杂度的情况下 ， 明显提高了少类样本的分类精度 ， 对解决实际气象问题具有重要的理论和工程意义 。
但本文所提算法有一定的局限性 ， 主要针对典型的二分类问题 ， 对多分类不均衡问题并未很好解决 。
因此 ， 完善并改进该算法 ， 是下一步研究的方向 。
参考文献： 1TAO X ，HAO S ，ZHANG D ，et al.Overview of classification algorithms for unbalanced data J. Jo 。

26、urnal of Chongqing University of Posts and Telecommunications： Natural Science Edition ，2013 ，25（1）： 101-121. （陶新民 ， 郝思媛 ， 张冬雪 ， 等.不均衡数据分类算法的综述J. 重庆邮电大学学报：自然科学版 ， 2013 ， 25（1）：101-121.） 2CHAWLA N ，BOWYER K ，HALL L ，et al. SMOTE： Synthetic minority oversampling technique J. Journal of Artificial Intelligence R 。

27、esearch ，2002 ，16（1）： 321-357. 3YANG Z ，QIAO L ，PENG X. Research on datamining method for imbalanced dataset based on improved SMOTE J. Acta Electronica Sinica ，2007 ，35（12A）： 22-26.（杨智明 ， 乔立岩 ， 彭喜元.基于改进SMOTE的不平衡数据挖掘方法研究J.电子学报 ， 2007 ， 35（12A）：22-26.） 4ZHAI Y ，MA N ，RUAN D ，et al. An effective oversampling。

28、method for imbalanced data sets classification J. Chinese Journal of Electronics ，2011 ，20（3）： 489-494. 5XU D ，WANG Y ，CAI L. ISMOTE algorithm for imbalanced data sets J. Journal of Computer Applications ，2011 ，31（9）： 2399-2401.（许丹丹 ， 王勇 ， 蔡立军.面向不均衡数据集的ISMOTE算法J. 计算机应用 ， 2011 ， 31（9）：2399-2401.） 6LIANG N Y ，。

29、 HUANG G B ，SARATCHANDRAN P ，et al. A fast accurate online sequential learning algorithm for feedforword networks J. IEEE Transactions on Neural Networks ，2006 ， 17（6）： 1411-1423. 7HUANG G B ，ZHOU H ，DING X ，et al. Extreme learning machine for regression and multiclass classification J. IEEE Transacti 。

30、ons on Systems ，Man ，and Cybernetics Part B： Cybernetics ，2012 ，42（2）： 513-529. 8YANG L ，ZHANG R. Online sequential ELM algorithm and its improvement J. Journal of Northwest University： Natural Science Edition ，2012 ，42（6）： 885-896.（杨乐 ， 张瑞.在线序列ELM算法及其发展J. 西北大学学报：自然科学版 ， 2012 ， 42（6）：885-896.） 9ZHANG J ，W 。

31、ANG J. An overview of principal curves J. Chinese Journal of Computers ，2003 ，26（2）： 129-146.（张军平 ， 王钰. 主曲线研究综述J. 计算机学报 ， 2003 ， 26（2）：129-146.） 10LIU Y ，LIU S ，LIU T ，et al. New oversampling algorithm DB_SMOTE J. Computer Engineering and Applications ， 2014 ， 50（6）： 92-95.（刘余霞 ， 刘三民 ， 刘涛 ， 等.一种新的过采样算法DB_SMOTEJ.计算机 。

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( 四 )