基于差分演化的自适应集成学习算法在不均衡数据分类中的应用

摘要：

不均衡数据问题在我们日常生活中随处可见,例如疾病诊断,矿藏资源识别等等.对于不均衡数据的分类而言,目前基于集成学习的不均衡数据分类技术较为成熟,但现有方法都将不均衡数据作为一个整体考虑,而不区别对待不同类型的不均衡数据.事实上,不均衡数据因其不均衡比、数据维度和类别数的不同,所具有的数据分布也不同,使用统一的模型处理所有不均衡数据难以在所有数据集中都获得好的效果.基于此,本文提出了一种基于差分演化算法的自适应集成学习算法(adaptive multiple classifier system based on differential evolution algorithm,DE-AMCS),使得针对不同的不均衡数据,系统能够选择最优的集成学习模型来完成分类任务.本文选择了KEEL数据集中的10个数据集进行测试,测试结果与5个现有的集成分类算法进行了对比,实验表明DE-AMCS相比于对比算法,分类精度上有明显的提升.最后,本文将DE-AMCS应用到江汉油田某区五口井的石油储层含油性的识别中,在每口井的含油性识别中,精度均达到了100％.

关键词：不均衡数据、石油储层、差分演化、自适应学习、集成学习

所属期刊栏目：38

分类号：TE112.221(石油、天然气地质与勘探)

资助基金：国家自然科学基金71573237;教育部新世纪优秀人才支持计划NCET-13-1012;教育部人文社会科学研究规划基金15YJA630019;湖北省自然科学基金2016CFB503;中国地质环境监测院项目000121 2016CC600133

在线出版日期：2019-04-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共16页

页码：1284-1299