[发明专利]一种基于不平衡数据的少样本学习分类器构建方法在审
| 申请号： | 201910059629.6 | 申请日： | 2019-01-22 |
| 公开（公告）号： | CN109800810A | 公开（公告）日： | 2019-05-24 |
| 发明（设计）人： | 赵林畅;尚赵伟;赵灵;龙祎萌;任柏行 | 申请（专利权）人： | 重庆大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62 |
| 代理公司： | 北京同恒源知识产权代理有限公司 11275 | 代理人： | 赵荣之 |
| 地址： | 400044 重*** | 国省代码： | 重庆;50 |
| 权利要求书： | 暂无信息 | 说明书： | 暂无信息 |
| 摘要： | 本发明涉及一种基于不平衡数据的少样本学习分类器构建方法，属于计算机数据分类技术领域。该方法：首先，根据孪生神经网络的一次学习和少样本学习特性设计了孪生平行全连接网络用于输入样本对的特征学习；然后，利用成本敏感优化器来处理输入样本对的不平衡问题，同时根据不同的误分类代价设计期望误分类成本函数，并将其融入网络参数优化算法中用于调节类不平衡分类权重。本发明能够在不平衡的、高维的和有限的目标数据集下，取得更好的分类结果，分类性能更加稳定。 | ||
| 搜索关键词： | 样本学习 分类器构建 输入样本 网络参数优化 计算机数据 分类成本 分类技术 分类结果 分类权重 分类性能 连接网络 目标数据 神经网络 特性设计 特征学习 优化器 高维 算法 平行 敏感 分类 期望 融入 学习 | ||
【主权项】：
1.一种基于不平衡数据的少样本学习分类器构建方法，其特征在于，该方法具体包括以下步骤：S1：构建基于孪生平行网络(Siamese Parallel networks)的深度学习网络(Siamese parallel fully‑connected neural networks,SPFCNN)，即孪生平行全连接网络；S2：输入样本数据；S3：利用一对孪生平行全连接网络从高维属性的数据中提取深度表征用于SPFCNN分类器训练和学习，并在AdamW函数基础上融入期望误分类成本函数用于类不平衡学习，使其对不同的误分类代价进行成本敏感学习。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于重庆大学，未经重庆大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910059629.6/，转载请声明来源钻瓜专利网。
