图1是使用FT-82-43的双线绕法的变压器，既所使用平衡－不平衡变压器l:1（或者输人输出相反为1:1）的阻抗变换电路。这里图（a）是仅能在接地线路公用的电路中使用。 　　图1 使用平衡一不平衡转换器的1:4阻抗变换电路 　　图1（b）是使用了2个相同特性的平衡一不平衡变压器。这样，使接地线路交流分离，所以在如图9所示的高频放大器的平衡输出电路中被利用。 　　图2 阻抗变换电路的平衡输出电路的应用 　　4：1的阻抗变换电路作为输入阻抗低的高频功率晶体管、FET的输人匹配电路经常被使用。 　　照片1是在图1（a）的电路中，研究1:4连接（4R＝200Ω，下方的曲线）和4:1连

GAN类不平衡 GAN用于解决班级不平衡问题

决策树matlab实例代码赫林格树Matlab 注意：这仍然是高度实验性的，可能容易出错，请谨慎使用！ 基于Cieslak等人的论文“ Hellinger距离决策树是鲁棒且不倾斜的”，该Matlab实现了具有不平衡数据和数值属性的二元决策问题的Hellinger距离决策树和森林。 该库基于以下文章： Cieslak，David A.等人。 “ Hellinger距离决策树既健壮又对偏斜不敏感。” 数据挖掘和知识发现24.1（2012）：136-158。 @article {cieslak2012hellinger，标题= {Hellinger距离决策树是健壮且不倾斜的}，作者= {Cieslak，David A和Hoens，T Ryan和Chawla，Nitesh V和Kegelmeyer，W Philip}，journal = {Data Mining and知识发现}，数量= {24}，数量= {1}，页面= {136--158}，年份= {2012}，发布商= {Springer}} 该软件的作者与上述研究人员无关，并且该软件并非上述论文中所提及方法的精确复制。 本软件的作者对本

调制器IQ不平衡及非线性补偿

为了提升声表滤波器在射频电路中的性能，除了优化声表滤波器自身的性能外，其与外部电路的阻抗匹配也是相当重要的。本文基于实现声表滤波器在射频电路中性能最大化利用的目的，总结与归纳了一些常用的声表滤波器在射频电路中的阻抗匹配方法，也提出了两种射频电路中不平衡转平衡的阻抗匹配方法，并对它们作了ADS仿真验证，仿真表明该方法确实能提升滤波器在电路中的性能，从而使整个电路的相关性能得以优化。

针对传统的机器学习算法对不平衡数据集的少类分类准确率不高的问题，基于支持向量机和模糊聚类，提出一种不平衡数据加权集成学习算法。首先提出加权支持向量机模型（Weighted Support Vector Machine，WSVM），该模型根据不同类别数据所占比例的不同，为各类别分配不同的权重，然后将WSVM与模糊聚类结合提出一种新的集成学习算法。将本文提出的算法应用于人造数据集和UCI数据集实验中，实验结果表明，所提出的算法能够有效地解决不平衡数据的分类问题，具有更好的分类性能。

以下附上不平衡数据学习的4篇综述论文，非常有阅读价值。针对不平衡数据集解决方法主要分为两个方面：第一种方案主要从数据的角度出发，主要方法为抽样，既然我们的样本是不平衡的，那么可以通过某种策略进行抽样，从而让我们的数据相对均衡一些；第二种方案从算法的角度出发，考虑不同误分类情况代价的差异性对算法进行优化，使得我们的算法在不平衡数据下也能有较好的效果。

当训练样本不均匀时，我们可以采用过采样、欠采样、数据增强等手段来避免过拟合。今天遇到一个3d点云数据集合，样本分布极不均匀，正例与负例相差4-5个数量级。数据增强效果就不会太好了，另外过采样也不太合适，因为是空间数据，新增的点有可能会对真实分布产生未知影响。所以采用欠采样来缓解类别不平衡的问题。 下面的代码展示了如何使用WeightedRandomSampler来完成抽样。 numDataPoints = 1000 data_dim = 5 bs = 100 # Create dummy data with class imbalance 9 to 1 data = torch.Float

摘要：介绍了一种基于DSP控制的大功率三相EPS逆变电源系统。该系统运行在三相负载不平衡时，能保证三相输出电压完全对称。同时，针对电动机负载的工作特点，提出了一种简单实用的抗瞬间冲击性大电流的控制方式，实现了电动机负载的稳定启动和可靠工作。关键词：限流；不平衡；三相；应急电源；逆变0   引言   三相EPS逆变电源主要应用于消防应急场合，照明灯具、电动机等都是它的重要负载。如果逆变电源的三相输出电压不对称，则会影响电动机的出力和稳定可靠运行，此外，电压不对称引起的各相电压高低，可能会影响灯具的正常发光或损害灯具。同时，考虑到电动机负载启动时会对逆变电源产生强烈的冲击大电流，易造成逆变器的保护

针对少数类样本合成过采样技术（synthetic minority over-sampling technique，SMOTE）在合成少数类新样本时会带来噪声问题，提出了一种改进降噪自编码神经网络不平衡数据分类算法（SMOTE-SDAE）。该算法通过SMOTE方法合成少数类新样本以均衡原始数据集，考虑到合成样本过程中会产生噪声的影响，利用降噪自编码神经网络算法的逐层无监督降噪学习和有监督微调过程，有效实现对过采样数据集的降噪处理与数据分类。在UCI不平衡数据集上实验结果表明，相比传统SVM算法，该算法显著提高了不平衡数据集中少数类的分类精度。