传统的分类算法大多假设数据集是均衡的,追求整体的分类精度.而实际数据集经常是不均衡的,因此传统的分类算法在处理实际数据集时容易导致少数类样本有较高的分类错误率.现有针对不均衡数据集改进的分类方法主要有两类:一类是进行数据层面的改进,用过采样或欠采样的方法增加少数类数据或减少多数类数据;另一个是进行算法层面的改进.本文在原有的基于聚类的欠采样方法和集成学习方法的基础上,采用两种方法相结合的思想,对不均衡数据进行分类.即先在数据处理阶段采用基于聚类的欠采样方法形成均衡数据集,然后用AdaBoost集成算法对新的数据集进行分类训练,并在算法集成过程中引用权重来区分少数类数据和多数类数据对计算集成学习错误率的贡献,进而使算法更关注少数数据类,提高少数类数据的分类精度

3.5 采样时钟与采样精度的关系 3.6 采样时钟产生的基本原理 3.7 低抖动采样时钟设计

❑ 1. 信号类型定义 ❑ 2. 信号采样 ❑ 3. 采样机理描述 ❑ 4. 采样定理 ❑ 5. 计算机控制系统中采样周期的选择 ❑ 6. 信号重构

研究了具有多重采样特点的离散时间控制系统,对这类系统给出了一种最优预见控制器的设计方法.首先利用离散时间系统提升技术,把多重采样离散时间系统转化成单一采样的扩大系统.然后利用构造扩大误差系统的方法引入积分器.再对扩大误差系统应用通常的线性二次型最优预见伺服系统设计方法设计控制器,从而得到原系统的多重采样最优预见控制器

8-1 采样过程与采样定理 8-2 信号的恢复与零阶保持器 8-3 z变换与z反变换 8-4 脉冲传递函数 8-5 采样系统的性能分析 8-6 采样系统的数字校正

连续系统的时间离散化就是在一定的采样和 保持方式下,由系统的连续描述来导出对应 的离散描述,并建立二者之间的关系。 为了使离散化后的描述具有简单的形式,并且 可以复原为原来的连续系统,对采样和保持 方式提出以下要求:

模拟信号数字处理的原理框图 模拟信号与数字信号的相互转换 A→D(采样)：如何选择采样频率？（时域采样定理） D→A(恢复)：采样序列如何插值？（时域内插） 模拟网络的数字模拟 模拟信号的频谱分析

如上节所讲,采样会破坏系统的稳定性,所 以在设计采样系统时最先考虑的是稳定性。 对采样系统稳定性分析主要建立在Z变换的 基础上

针对非平衡数据集分类中\少数类样本精度难以提高\这一瓶颈问题,提出了一种基于协同进化机制的欠采样方法.此方法将少数类样本与多数类样本划分为两类种群,采用种群协同进化原理,利用提出的动态交叉变异算子自适应协同进化过程,实现种群间自动调节和自动适应.仿真试验结果表明,此采样方法增强了局部随机搜索能力,改善了种群的分布特性,加强了算法的全局收敛能力,在不降低多数类样本分类性能的基础上有效提高了少数类样本的精度.与其他经典重采样方法相比,本文办法抗噪能力好,具有更强的鲁棒性

数字控制器的设计方法: 连续化设计:采样周期短、控制算法简 单的系统。忽略零阶保持器和采样器,求 出系统的连续控制器,以近似方式离散化 为数字控制器。 离散化设计:采样周期长的或控制复杂 的系统。直接使用采样控制理论设计数字控制器