1.一種基于融合提升Boost模型的不平衡數(shù)據(jù)采樣方法，其特征在于，包括如下步驟：

(1)生成訓練樣本集；

(2)訓練提升Boost模型：

采用提升Boost模型訓練方法，訓練提升Boost模型，得到訓練好的提升Boost模型；

(3)定義pure1、danger1、noise1數(shù)據(jù)集；

(4)獲取訓練樣本集的樣本點在加權(quán)特征空間的位置關系：

(4a)將訓練樣本集按特征類型歸一化；

(4b)采用更新特征權(quán)重值與提升Boost模型的F-score評分結(jié)合的方法，得到訓練樣本集的新特征權(quán)重值；

(4c)計算訓練樣本集的樣本點在加權(quán)特征空間的位置關系；

(5)定義danger2、pure2、noise2數(shù)據(jù)集；

(6)融合數(shù)據(jù)集：

將pure1數(shù)據(jù)集和pure2數(shù)據(jù)集融合為pure融合集，將danger1數(shù)據(jù)集和danger2數(shù)據(jù)集融合為danger融合集，將noise1數(shù)據(jù)集和noise2數(shù)據(jù)集融合為noise融合集；

(7)合成新樣本點：

(7a)創(chuàng)建新樣本點集合，將屬于pure融合集且屬于類0的樣本點的集合作為pure創(chuàng)建集，將屬于danger融合集且屬于類0的樣本點的集合作為danger創(chuàng)建集；

(7b)對pure創(chuàng)建集和danger創(chuàng)建集中的每一個樣本點，使用合成樣本數(shù)據(jù)集新樣本點的方法，合成樣本數(shù)據(jù)集的新樣本點；

(8)獲得平衡數(shù)據(jù)樣本集：

(8a)將屬于pure融合集且屬于類1的樣本點的集合作為pure刪除集，將屬于noise融合集且屬于類1的樣本點的集合作為noise刪除集，將屬于加權(quán)特征空間中重疊的所有樣本點的集合作為repeat刪除集；

(8b)刪除新樣本點中所有存在于repeat刪除集的樣本點；

(8c)刪除新樣本點中存在于pure刪除集和noise刪除集中的所有樣本點，獲得平衡數(shù)據(jù)樣本集。

2.根據(jù)權(quán)利要求1所述的基于融合提升Boost模型的不平衡數(shù)據(jù)采樣方法，其特征在于：步驟(1)中所述生成訓練樣本集是指，使用MATLAB仿真軟件，隨機生成一個包含兩類樣本數(shù)量不同的不平衡數(shù)據(jù)集，將樣本數(shù)量較多的類記作類1，樣本數(shù)量較少的類記作類0，并將兩類不平衡數(shù)據(jù)集作為訓練樣本集。

3.根據(jù)權(quán)利要求1所述的基于融合提升Boost模型的不平衡數(shù)據(jù)采樣方法，其特征在于：步驟(2)中所述提升Boost模型訓練方法的具體步驟如下：

第1步，將訓練樣本輸入到提升Boost模型中，對每個訓練樣本特征權(quán)重值初始化為得到帶權(quán)的訓練樣本集，其中，N表示訓練樣本的總數(shù)；

第2步，將帶權(quán)的訓練樣本集輸入到分類器進行迭代訓練，每次迭代后對預測錯誤的樣本增加權(quán)重，統(tǒng)計預測為類1的樣本數(shù)，直到分類器預測正確，迭代停止，獲取訓練樣本集的更新特征權(quán)重值。

4.根據(jù)權(quán)利要求1所述的基于融合提升Boost模型的不平衡數(shù)據(jù)采樣方法，其特征在于：步驟(3)中所述定義pure1、danger1、noise1數(shù)據(jù)集是指，使用訓練好的提升Boost模型，將訓練樣本集中樣本點分類正確概率大于0.5的樣本點集合定義為pure1數(shù)據(jù)集，將訓練樣本集中樣本點分類正確概率小于0.5的樣本點集合定義為danger1數(shù)據(jù)集，將訓練樣本集中樣本點分類錯誤概率大于0.5的樣本點集合定義為noise1數(shù)據(jù)集。

5.根據(jù)權(quán)利要求1所述的基于融合提升Boost模型的不平衡數(shù)據(jù)采樣方法，其特征在于：步驟(4a)中所述將訓練樣本集按特征類型歸一化是指，將訓練樣本數(shù)據(jù)特征分為連續(xù)型特征和離散型特征。