分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2018-05-02 合作期刊: 《计算机应用研究》
摘要： 数据分布的不平衡性和数据特征的非线性增加了分类的困难，特别是难以识别不平衡数据中的少数类，从而影响整体的分类效果。针对该问题，结合KFDA（kernel fisher discriminant analysis）能有效提取样本非线性特征的特性和集成学习中Boosting算法的思想，提出了KFDA-Boosting算法。为了验证该算法对不平衡数据分类的有效性和优越性，以G-mean值、少数类的查准率与查全率作为分类效果的评价指标，选取了UCI中10个数据集测试KFDA-Boosting算法性能，并与支持向量机等六种分类算法进行对比实验。结果表明，对于不平衡数据分类，尤其是对不平衡度较大或呈非线性特征的数据，相比于其他分类算法，KFDA-Boosting算法能有效地识别少数类，并且在整体上具有显著的分类效果和较好的稳定性。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2018-04-19 合作期刊: 《计算机应用研究》
摘要： 任务分配是众包流程的关键所在，也是众包价值的重要体现。从众包活动参与者即主体企业、众包平台、平台会员的视角出发，研究服务众包定价问题。在考虑会员信誉度和任务聚集度的基础上，针对含有地理因素的众包任务设计打包分配定价方案。以服务成本、任务价值、会员收益等为导向，对不同任务进行组合配置，从而设计多目标规划任务配置及定价模型，并针对该模型构建了精英蜂群算法。在精英蜂群算法中，充分利用蜜源信息并着重考虑成长性较好的蜜蜂，进而避免了局部最优问题，提高了搜索效率。通过对众包服务企业运营数据分析，获取到众包服务会员特征及任务完成相关基础信息，以此进行仿真实验。仿真结果表明通过众包任务打包定价机制，任务完成率、企业总成本、三方总收益等方面均有显著优化。综合模型及数据实验可知，众包任务在定价与发布过程中根据自身特征差异，在无差异服务中只需要考虑会员信誉度，对于具有服务差异性的任务则需要考虑打包发布。
点击量
点击量
下载量
评论
