[發明專利]一種不平衡數據集的過采樣方法

有效

• 申請號: 202010052607.X
• 申請日: 2020-01-17
• 公開（公告）號: CN111259964B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 程陳;孫偉;余蓋青;費若嵐;王長靜
• 申請（專利權）人: 上海海事大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/762;G06T7/66
• 代理公司: 上海元好知識產權代理有限公司 31323
• 代理人: 包姝晴;張靜潔

1.一種不平衡數據集的過采樣方法，其特征在于，包含以下過程：

步驟S1將獲取的不平衡數據集劃分為正類樣本集和負類樣本集；通過樣本的Class字段值對不平衡數據集X進行劃分，Class字段值為1的樣本劃入正類樣本集X_positive，Class字段值為0的樣本劃入負類樣本集X_negative；

步驟S2求解正類樣本集的質心以及距離質心最遠的三個正類樣本，以所求的三個正類樣本為頂點建立三角形；設定正類樣本集X_positive中的正類樣本為N個，每一個正類樣本表示為：

x_i＝(x_i1,x_i2,x_i3,...,x_in)??????????????????????(1)

其中，n表示每個正樣本數據的維數，i∈[1,N]；

設定y_質為正類樣本集X_positive的質心，y_質表示為：

y_質＝(y₁,y₂,y₃,...,y_n)???????????????????????(2)

其中，

遍歷所有正類樣本x_i，選出到質心y_質距離最大的三個樣本，并根據距離，由大到小依次表示為x_fmax、x_smax、x_tmax；

其中，正類樣本x_i到質心y_質距離采用歐式距離公式進行計算，可表示為：

步驟S3隨機選取其中一個三角形頂點與質心連線，并在所述連線上隨機生成新的正類樣本；新生正類樣本表示為x_new，計算公式為：

x_new＝y_質+rand(0,1)×(x_m-y_質)???????????????????(4)

其中，x_m＝{x_fmax,x_smax,x_tmax}，rand(0,1)表示隨機生成的(0,1)之間小數；

步驟S4評估新生正類樣本合理性，將評估合理的新生正類樣本加入正類樣本集實現對正類樣本集的更新；

步驟S5更新的正類樣本集與負類樣本集的樣本量不等時重復步驟3和步驟4生成新的正類樣本繼續補充正類樣本集，直到更新的正類樣本集與負類樣本集的樣本量平衡。

2.如權利要求1所述過采樣方法，其特征在于，步驟S4中利用CCA初步評估新生正類樣本x_new的合理性，包含以下過程：

步驟H1根據K-means算法對新生正類樣本x_new進行聚類，得到K個類簇；

步驟H2在各類簇中，分別采用歐式距離公式計算每兩個樣本之間的距離；

步驟H3在各類簇中排序篩選出最大距離，并將K個最大距離各自對應的樣本成對刪除，實現對新生正類樣本x_new的清洗，完成初步評估。