Resumen

En vista de la clasificación SVM para los conjuntos de datos desequilibrados de tormentas de arena y polvo, este artículo propone un método de muestreo híbrido autoadaptativo llamado algoritmo SRU-AIBSMOTE. Este método puede ajustar de forma adaptativa la estrategia de selección de vecinos basada en la distribución interna de los conjuntos de muestras. Produce instancias virtuales de la clase minoritaria a través de interpolación aleatoria en el espacio esférico que consiste en instancias de la clase minoritaria y sus vecinos. También se aplica submuestreo aleatorio para reducir las instancias de la clase mayoritaria y eliminar datos redundantes en los conjuntos de muestras. Los resultados experimentales comparativos en conjuntos de datos reales de los distritos de Yanchi y Tongxin en Ningxia de China muestran que el método SRU-AIBSMOTE puede obtener un mejor rendimiento de clasificación que algunos métodos de clasificación tradicionales.

• Materias:Ecuaciones en diferencias Ecuación unidimensional Filtrado de información Prevención de interbloqueos Sistemas estocásticos
• Subjects:Difference equations One-dimensional equation Information filtering Interlock prevention Stochastic systems
• Palabras claves:Svm; Método de muestreo híbrido autoadaptativo; Algoritmo sru-aibsmote; Submuestreo aleatorio; Instancias de la clase minoritaria; Rendimiento de clasificación
• Keywords:Svm; Hybrid self-adaptive sampling method; Sru-aibsmote algorithm; Random undersampling; Minority class instances; Classification performance