传统的超网络模型在处理不平衡数据分类问题时,具有很大的偏向性,正类的识别率远远高于负类。为此,提出了一种代价敏感超网络Boosting集成算法。首先,将代价敏感学习引入超网络模型,提出了代价敏感的超网络模型;同时,为了使算法能够自适应正类的错分代价,采用Boosting算法对代价敏感超网络进行集成。代价敏感超网络能很好地修正传统的超网络在处理不平衡数据分类问题时过分偏向正类的缺陷,提高对负类的分类准确性。实验结果表明,代价敏感超网络Boosting集成算法具有处理不平衡数据分类问题的优势。
本文从安全性和效率等方面,提出基于对称矩阵LU分解的无线传感器网络对密钥预分配方案的几个问题,包括密钥信息分配不均、U矩阵完全公开、系统规模扩大对执行效率的影响较大等;根据对这些问题的具体分析,提出一种新的解决方案。该方案利用构造矩阵空间的思想,结合了随机分配方案和LU矩阵分解方案的特点,其可行性和安全性也得到证明;另外,根据在PC和SunSpot节点上的时间测试结果,对两种方案进行性能比较,后者在很大程度上降低了存储量和计算量。