【技術(shù)實現(xiàn)步驟摘要】
本申請的實施例涉及雷達運行數(shù)據(jù)分析，特別涉及一種基于smote的雷達運行數(shù)據(jù)平衡分類方法。
技術(shù)介紹
1、雷達在運行時產(chǎn)生的故障運行數(shù)據(jù)遠遠小于正常運行數(shù)據(jù)，如果錯誤的把潛在的故障運行數(shù)據(jù)分類為正常運行數(shù)據(jù)，那么很有可能會導(dǎo)致重大的通信事故的發(fā)生，造成難以估計的財產(chǎn)損失。因此，在實際情況下，更準確地對少數(shù)類數(shù)據(jù)(即故障運行數(shù)據(jù))進行分類是非常重要的。傳統(tǒng)的分類學習方法往往會偏袒多數(shù)類而忽視少數(shù)類，少數(shù)類的誤分類成本通常遠高于多數(shù)類的分類成本，這有著巨大的安全隱患。
2、目前對雷達運行數(shù)據(jù)集的處理方法主要有隨機過采樣和隨機欠采樣兩種。在隨機過采樣技術(shù)中，smote(synthetic?minority?oversampling?technique，合成少數(shù)過采樣技術(shù))是最流行的方法，雖然smote已被證明是一種簡單有效的過采樣方法，但他也存在一些缺點，比如多數(shù)階級群體和少數(shù)階級群體之間的分離不明顯，以及容易產(chǎn)生噪音等。因此技術(shù)人員通常會選擇少數(shù)類樣本合成作為新的樣本，但該方法又忽略了周圍的環(huán)境，并帶來了兩個新的問題。第一個問題是如果所選少數(shù)類樣本的周圍分布都是少數(shù)類樣本，那么新合成的樣本的意義不大，因為這些新合成的樣本往往是遠離多數(shù)類與少數(shù)類邊界的。第二個問題是通過smote生成少數(shù)類樣本時，需要隨機選取k近鄰進行插值，這并沒有考慮到少數(shù)類樣本內(nèi)部分布不均衡的情況，也就是說，這種通過隨機插值的方式新合成的樣本很可能會改變原本少數(shù)類樣本的分布。
技術(shù)實現(xiàn)思路
1、為了解決上
2、為了實現(xiàn)上述目的，本申請的實施例提出了一種基于smote的雷達運行數(shù)據(jù)平衡分類方法，包括以下步驟：對獲取到的雷達運行數(shù)據(jù)進行分類預(yù)處理，按照正常運行數(shù)據(jù)和故障運行數(shù)據(jù)劃分為多數(shù)類樣本和少數(shù)類樣本；基于雷達運行數(shù)據(jù)的原始分布，將各少數(shù)類樣本劃分為少數(shù)類邊界樣本和少數(shù)類內(nèi)部樣本；其中，少數(shù)類邊界樣本是分布于多數(shù)類與少數(shù)類分類邊界的少數(shù)類樣本，少數(shù)類內(nèi)部樣本是分布于少數(shù)類內(nèi)部的少數(shù)類樣本；對少數(shù)類邊界樣本采用k-l-smote算法進行處理，得到第一類合成樣本；對少數(shù)類內(nèi)部樣本采用k-means聚類算法劃分為不同的子簇，并根據(jù)每個子簇中少數(shù)類內(nèi)部樣本的數(shù)目計算出不同的采樣倍率以進行合成，得到第二類合成樣本；將第一類合成樣本、第二類合成樣本和多數(shù)類樣本進行合并，得到均衡樣本集；基于均衡樣本集，對不同的分類器進行訓(xùn)練和測試，并基于各分類器的分類結(jié)果進行雷達運行狀態(tài)分析。
3、為了實現(xiàn)上述目的，本申請的實施例還提出了一種基于smote的雷達運行數(shù)據(jù)平衡分類系統(tǒng)，所述系統(tǒng)包括：多數(shù)少數(shù)劃分模塊、邊界內(nèi)部劃分模塊、第一類合成模塊、第二類合成模塊、合并模塊和分析處理模塊；多數(shù)少數(shù)劃分模塊，用于對獲取到的雷達運行數(shù)據(jù)進行分類預(yù)處理，按照正常運行數(shù)據(jù)和故障運行數(shù)據(jù)劃分為多數(shù)類樣本和少數(shù)類樣本；邊界內(nèi)部劃分模塊，用于基于雷達運行數(shù)據(jù)的原始分布，將各少數(shù)類樣本劃分為少數(shù)類邊界樣本和少數(shù)類內(nèi)部樣本，其中，少數(shù)類邊界樣本是分布于多數(shù)類與少數(shù)類分類邊界的少數(shù)類樣本，少數(shù)類內(nèi)部樣本是分布于少數(shù)類內(nèi)部的少數(shù)類樣本；第一類合成模塊，用于對少數(shù)類邊界樣本采用k-l-smote算法進行處理，得到第一類合成樣本；第二類合成模塊，用于對少數(shù)類內(nèi)部樣本采用k-means聚類算法劃分為不同的子簇，并根據(jù)每個子簇中少數(shù)類內(nèi)部樣本的數(shù)目計算出不同的采樣倍率以進行合成，得到第二類合成樣本；合并模塊，用于將第一類合成樣本、第二類合成樣本和多數(shù)類樣本進行合并，得到均衡樣本集；分析處理模塊，用于基于均衡樣本集，對不同的分類器進行訓(xùn)練和測試，并基于各分類器的分類結(jié)果進行雷達運行狀態(tài)分析。
4、為了實現(xiàn)上述目的，本申請的實施例還提出了一種電子設(shè)備，所述電子設(shè)備包括：至少一個處理器；以及，與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行如上述所述的一種基于smote的雷達運行數(shù)據(jù)平衡分類方法。
5、為了實現(xiàn)上述目的，本申請的實施例提出了一種計算機可讀存儲介質(zhì)，存儲有計算機程序，所述計算機程序被處理器執(zhí)行時，能夠?qū)崿F(xiàn)如上述所述的一種基于smote的雷達運行數(shù)據(jù)平衡分類方法。
6、本申請的實施例提出的基于smote的雷達運行數(shù)據(jù)平衡分類方法，先按照正常運行數(shù)據(jù)和故障運行數(shù)據(jù)對獲取到的雷達運行數(shù)據(jù)進行多數(shù)類、少數(shù)類的劃分，再基于雷達運行數(shù)據(jù)的原始分布對各少數(shù)類樣本進行邊界、內(nèi)部的劃分。對于少數(shù)類邊界樣本，本申請選擇采用k-l-smote算法進行處理，得到第一類合成樣本，以擴充少數(shù)類邊界樣本。對于少數(shù)類內(nèi)部樣本，本申請選擇采用k-means聚類算法劃分子簇，接下來根據(jù)每個子簇中少數(shù)類內(nèi)部樣本的數(shù)目計算出不同的采樣倍率以進行合成，得到第二類合成樣本，從而實現(xiàn)少數(shù)類內(nèi)部樣本間的類內(nèi)平衡。最后將第一類合成樣本、第二類合成樣本和多數(shù)類樣本進行合并，得到均衡樣本集對分類器進行訓(xùn)練和測試，再基于分類結(jié)果進行雷達運行狀態(tài)分析。經(jīng)過對少數(shù)類邊界樣本和少數(shù)類內(nèi)部樣本進行有針對性的處理，有效避免了少數(shù)類樣本不平衡問題，進而提升了雷達運行數(shù)據(jù)的分析和處理精度，降低了交通事故發(fā)生的概率。
7、在一些可選的實施例中，將雷達運行數(shù)據(jù)中的少數(shù)類樣本記為ci，i＝1，2，...，g，g為少數(shù)類樣本的總數(shù)，基于雷達運行數(shù)據(jù)的原始分布，將各少數(shù)類樣本劃分為少數(shù)類邊界樣本和少數(shù)類內(nèi)部樣本，包括：對于少數(shù)類樣本ci，通過歐式距離計算ci的個近鄰，記錄這個近鄰中屬于多數(shù)類樣本的個數(shù)并比較與的大小；若則將ci劃分為少數(shù)類邊界樣本cib，并存入集合b{cib}；若則將ci劃分為少數(shù)類內(nèi)部樣本cii，并存入集合i{cii}；若則將ci視為噪聲樣本并剔除。
8、在一些可選的實施例中，對少數(shù)類邊界樣本采用k-l-smote算法進行處理，得到第一類合成樣本，包括：對于少數(shù)類邊界樣本cib，計算cib在集合b{cib}中的μ個近鄰，并分別記為ciμ；基于cib和ciμ進行插值，生成第一類合成樣本并將存入集合插值公式具體表示為random(0，1)表示生成0至1之間的隨機數(shù)，集合即第一類合成樣本的集合。
9、在一些可選的實施例中，所述對少數(shù)類內(nèi)部樣本采用k-means聚類算法劃分為不同的子簇，并根據(jù)每個子簇中少數(shù)類內(nèi)部樣本的數(shù)目計算出不同的采樣倍率以進行合成，得到第二類合成樣本，包括：對于集合i{cii}，采用k-means聚類算法劃分為n個不同的子簇并計算各子簇的簇心，記為{β1，β2，...，βj，...，βn}，βj為第j個子簇的簇心；
10、分別基于各子簇中的少數(shù)類內(nèi)部樣本的數(shù)目計算出各子簇本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于SMOTE的雷達運行數(shù)據(jù)平衡分類方法，其特征在于，包括：
2.如權(quán)利要求1所述的基于SMOTE的雷達運行數(shù)據(jù)平衡分類方法，其特征在于，將雷達運行數(shù)據(jù)中的少數(shù)類樣本記為ci，i＝1,2,…,g，g為少數(shù)類樣本的總數(shù)，基于雷達運行數(shù)據(jù)的原始分布，將各少數(shù)類樣本劃分為少數(shù)類邊界樣本和少數(shù)類內(nèi)部樣本，包括：
3.如權(quán)利要求2所述的基于SMOTE的雷達運行數(shù)據(jù)平衡分類方法，其特征在于，對少數(shù)類邊界樣本采用K-L-SMOTE算法進行處理，得到第一類合成樣本，包括：
4.如權(quán)利要求3所述的基于SMOTE的雷達運行數(shù)據(jù)平衡分類方法，其特征在于，對少數(shù)類內(nèi)部樣本采用K-means聚類算法劃分為不同的子簇，并根據(jù)每個子簇中少數(shù)類內(nèi)部樣本的數(shù)目計算出不同的采樣倍率以進行合成，得到第二類合成樣本，包括：
5.如權(quán)利要求4所述的基于SMOTE的雷達運行數(shù)據(jù)平衡分類方法，其特征在于，n的取值范圍為27至34。
6.如權(quán)利要求1至權(quán)利要求5中任一項所述的基于SMOTE的雷達運行數(shù)據(jù)平衡分類方法，其特征在于，雷達運行數(shù)據(jù)包括普通工作數(shù)據(jù)、輕
7.如權(quán)利要求1至權(quán)利要求5中任一項所述的基于SMOTE的雷達運行數(shù)據(jù)平衡分類方法，其特征在于，不同的分類器包括GBDT、KNN和隨機森林；
8.一種基于SMOTE的雷達運行數(shù)據(jù)平衡分類系統(tǒng)，其特征在于，包括：
9.一種電子設(shè)備，其特征在于，包括：
10.一種計算機可讀存儲介質(zhì)，存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時，能夠?qū)崿F(xiàn)如權(quán)利要求1至權(quán)利要求7中任一項所述的基于SMOTE的雷達運行數(shù)據(jù)平衡分類方法。
...【技術(shù)特征摘要】
1.一種基于smote的雷達運行數(shù)據(jù)平衡分類方法，其特征在于，包括：
2.如權(quán)利要求1所述的基于smote的雷達運行數(shù)據(jù)平衡分類方法，其特征在于，將雷達運行數(shù)據(jù)中的少數(shù)類樣本記為ci，i＝1,2,…,g，g為少數(shù)類樣本的總數(shù)，基于雷達運行數(shù)據(jù)的原始分布，將各少數(shù)類樣本劃分為少數(shù)類邊界樣本和少數(shù)類內(nèi)部樣本，包括：
3.如權(quán)利要求2所述的基于smote的雷達運行數(shù)據(jù)平衡分類方法，其特征在于，對少數(shù)類邊界樣本采用k-l-smote算法進行處理，得到第一類合成樣本，包括：
4.如權(quán)利要求3所述的基于smote的雷達運行數(shù)據(jù)平衡分類方法，其特征在于，對少數(shù)類內(nèi)部樣本采用k-means聚類算法劃分為不同的子簇，并根據(jù)每個子簇中少數(shù)類內(nèi)部樣本的數(shù)目計算出不同的采樣倍率以進行合成，得到第二類合成樣本，包括：
5.如權(quán)利要求4所述的基于smote的雷達運行數(shù)據(jù)平衡分類方法，...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：鄧鈺棟，高翔宇，張歡陽，
申請(專利權(quán))人：西安電子工程研究所，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。