Combining the ideas of WELM and FSVM-CIL, the main work of this thesis can be summarized as follows。

(1)ELM with coupling global prior distribution information of the instances。 Based on WELM and benefitting from the idea of FSVM-CIL, we designed the related membership functions and algorithms which assign different weights for different instances。 Specifically, the membership functions are related with the distance between the centroid and the instance, or that between the initial classification hyperplane and the instance, respectively。

(2)ELM with coupling local prior distribution information of the instances。 The algorithm is proposed to deal with several drawbacks of the global algorithm。 It assigns different weights for different instances with mining local information of each instance,

including neighborhood impurity information, density information and instance deviation information。

(3)By a mount of experiments, the effectiveness and feasibility of the proposed algorithms have been verified。

Keywords: extreme learning machine; imbalance data; fuzzy weight; prior information

目 录

第一章  绪论 1

1。1 课题的研究背景和意义 1

1。2 国内外研究现状 2

1。3 本文主要工作 3

1。4 本文的组织结构 3

第二章  相关基础理论 4

2。1 ELM 算法简介 4

2。2 类别不平衡学习算法概述 5

2。3 WELM 算法概述 9

2。4 FSVM-CIL 算法概述 11

2。5 本章小结 12

第三章  耦合样本全局先验分布信息的极限学习机 14

3。1 引言 14

3。2 模糊隶属函数的设计 14

3。3 本文算法 16

3。4 实验结果与分析 18

3。5 本章小结 22

第四章  耦合样本局部先验分布信息的极限学习机 23

4。1 引言 23

4。2 本章算法 24

4。3 实验结果与讨论 27

4。4 本章小结 31

第五章  总结与展望 32

5。1 本文研究工作总结 32

5。2 对未来研究的展望 32

致 谢 33

参考文献 34

第一章 绪论

1。1 课题的研究背景和意义

近年来，随着互联网领域技术的飞速发展，人类逐步进入大数据时代。大数据 是指数据量规模庞大及复杂到无法在合理时间内通过人工或者机器处理完成。图 1-1 展示了近一段时间，全球数据存储量所呈现的井喷态势。