動態平衡采樣的不平衡數據集成分類方法

胡小生，溫菊屏，鐘勇

(佛山科學技術學院 電子與信息工程學院，廣東 佛山 528000)

?

動態平衡采樣的不平衡數據集成分類方法

胡小生，溫菊屏，鐘勇

(佛山科學技術學院 電子與信息工程學院，廣東 佛山 528000)

摘要：傳統分類算法假定平衡的類分布或相同的誤分類代價,處理不平衡數據集時,少數類識別精度過低。提出一種動態平衡數據采樣與Boosting技術相結合的不平衡數據集成分類算法。在每次迭代初始,綜合使用隨機欠采樣和SMOTE過采樣獲得平衡規模的訓練數據,各類別樣本數據比例保持隨機性以體現訓練數據的差異性，為子分類器提供更好的訓練平臺；子分類器形成后，利用加權投票得到最終強分類器。實驗結果表明，該方法具有處理類別不平衡數據分類問題的優勢。

關鍵詞：分類；不平衡數據；重采樣；集成學習；隨機森林

中文引用格式：胡小生，溫菊屏，鐘勇. 動態平衡采樣的不平衡數據集成分類方法[J]. 智能系統學報， 2016, 11(2): 257-263.

英文引用格式：HU Xiaosheng， WEN Juping， ZHONG Yong. Imbalanced data ensemble classification using dynamic balance sampling[J]. CAAI transactions on intelligent systems, 2016, 11(2): 257-263.

分類是機器學習、數據挖掘領域的重要研究內容，通過對輸入的訓練樣本數據進行分析、學習后獲得決策模型，隨后即可對未知樣本進行預測。目前，已經有許多經典的分類算法，例如決策樹、支持向量機、人工神經網絡，這些算法在類別數據分布均勻的條件下具有良好的分類性能，得到了廣泛應用。但是，在許多實際應用領域中，存在著非常明顯的類別不平衡數據，例如信用卡欺詐檢測、醫療疾病診斷、網絡入侵檢測等，在這些情況的分類處理過程中，少數類需要受到特別關注，往往具有更大的誤分類代價，然而傳統分類算法基于平衡的數據分布或者相等的誤分類代價之基本假設，為保證算法總體分類準確率，通常將少數類錯分至多數類，從而導致少數類識別準確率過低。因此，傳統分類算法面對類不平衡數據，分類效果不佳。

當前，不平衡數據分類問題的解決方法主要有3個方面:1) 數據層面，移除部分多數類樣本或者增加新的合成樣例，改變數據分布，降低不平衡度，稱之為重采樣方法[1-5]；2) 算法層面，分析已有算法在面對不平衡數據分類的缺陷，改進算法或者提出新算法來提升少數類的分類準確率，例如代價敏感學習[6]、集成學習[7-8]、單類學習[9]等；3) 評價標準層面，提出新的適合不平衡數據分類的分類器性能評價標準，常見的有基于混淆矩陣基礎上的少數類精確度與召回率的調和均值Fmeasure[10]，幾何均值Gmean[11]和ROC曲線等。

本文從數據層面和算法層面著手，融合數據采樣和boosting技術，提出在動態平衡采樣基礎上集成提升的不平衡數據分類算法，目標旨在提高小類樣本的分類精度。為了論述方便，后續部分將少數類稱之為正類，多數類稱之為負類。

1采樣方法

數據層面的采樣技術針對不平衡數據特點，通過過采樣、欠采樣等方式進行數據處理，以期獲得一個相對均衡的數據分布。相關研究表明，平衡的數據分布更加有利于提高傳統算法的分類性能[12-13]。

1.1過采樣

最簡單的過采樣是隨機過采樣，其隨機選擇若干正類樣本，隨后簡單復制該樣本，添加至訓練集。隨機過采樣僅僅復制正類樣本，沒有增加任何新的額外合成樣例，對于提高正類識別率沒有多大幫助；另外，當數據不平衡度非常高時，需要在正類上進行多倍采樣才能使最終數據分布趨于平衡，結果使得訓練數據規模變大，分類器學習到的決策域變小，容易導致過擬合。

針對隨機過采樣的不足，Chawla等[3]提出一種SMOTE(synthetic minority over-sampling technique)方法，該方法為每個正類樣本選擇若干(5或者7)個近鄰，隨后在選定樣本與近鄰樣本之間進行線性插值，生成無重復的合成樣例。SMOTE方法能夠使正類的決策邊界遠離負類空間，正類具有更大泛化空間；但是其缺點是沒有考慮近鄰樣本的分布特點，合成樣例具有一定的盲目性，容易產生噪聲樣例，以及出現類間混疊現象，影響后續分類器的分類性能。

為了解決SMOTE方法的不足之處，基于SMOTE的改進算法相繼被提出。Han等[10]提出僅為靠近類邊界的正類樣本生成合成樣例的Borderline-SMOTE方法，更有利于分類器的學習，但是需要依據輸入的近鄰參數k來確定正類邊界樣本集合，如何合理確定參數k以及科學判斷邊界有待深入研究。He等[14]提出ADASYN算法，將輸入數據的密度分布作為確定合成樣例數目的依據，自適應方式控制正類樣本的分布。Batista等[15]提出SMOTE+Tomek算法，該方法利用SMOTE生成合成樣例；利用Tomek算法對連接樣例進行移除，較好地克服了SMOTE帶來的噪聲問題。

1.2欠采樣

隨機欠采樣是隨機性減少負類樣本，其方法簡單，操作容易，但是存在去除樣本的盲目性和去除樣本比例參數不確定問題，以及代表性樣本的丟失而影響分類精度。

Kubat等[16]將在負類上的單邊采樣與Tomek links相結合，利用Tomek link刪除噪聲樣本，利用壓縮最近鄰算法刪除遠離邊界區域的樣本，將剩下的負類樣本與所有正類樣本一起構成訓練集，用于分類器學習。

文獻[17-20]提出利用聚類提取代表性樣本的平衡數據分布的方法。算法首先對負類樣本進行聚類操作，聚類個數與正類樣本數目相同，然后提取各個聚類質心作為聚簇的代表樣本，與所有正類樣本一起組成平衡訓練集。由于用聚類質心代表聚簇內的所有樣本，不可避免地損失了數據分布的特征信息，使得抽樣后的數據分布與原始數據分布出現一定的差異，從而影響算法的分類性能。

由上述分析可知，過采樣和欠采樣均存在一定的局限性：

1)過采樣不斷合成新的正類合成樣例使得數據規模變大，增加了算法的學習時間；

2)過采樣使得分類器訓練得到的決策域變小，容易導致過擬合；

3)欠采樣存在富含分類信息樣本丟失問題，特別是在高度不平衡數據集中，移除過多負類樣本使得信息丟失嚴重，造成樣本代表性差，嚴重背離初始數據分布；

4)欠采樣難以合理確定抽樣比例參數。

針對過采樣和欠采樣方法存在的局限性，本文提出基于動態平衡采樣的不平衡數據集成分類方法，在集成迭代的每次數據采樣過程中，無需給定抽樣比例參數，而是基于隨機生成的樣本規模數值，或者對正類進行過采樣，或者在負類上進行欠采樣，獲得類別平衡的訓練集，然后參與后續的集成算法訓練。

2動態平衡采樣不平衡數據分類方法

本文算法包括動態平衡采樣的訓練數據獲取和子分類器學習2個步驟，主要包括4個階段：1)對初始數據集的各個樣本設置相同的初始權值；2)調用動態平衡采樣算法，生成合成樣例，組成樣本規模一致的訓練集，對于新生成的合成樣例，需要賦予權值；3)應用AdaBoost算法，生成子分類器，之后根據子分類器的分類情況對初始訓練集的各個樣本進行權值更新，以及權值歸一化；2)、3)重復迭代執行T次；最后將T個子分類器集成。

2.1動態平衡采樣

作為數據預處理的采樣技術，需要預先確定數據采樣參數，不合理的數據采樣參數會導致生成的數據分布嚴重背離初始數據分布，進而影響算法的分類性能。動態平衡采樣依賴隨機函數產生的數值確定各類別的采樣方式及采樣比例，通過重復多次的動態提取初始數據集的樣本，獲取充分的數據分布特性信息，降低富含分類信息樣本點丟失現象。整體算法如算法1所示。

算法1動態平衡采樣算法

輸出新數據集S′。

1) 計算集合S中的樣本數目，負類樣本集合SN，其數量記為a，正類樣本集合SP的樣本數記為b，m=a+b；

2) 利用隨機函數，生成一個隨機整數k，2

3)如果k

4) 如果k≥a，則從數據集SP中進行隨機欠采樣，采樣數目為m-k，將其加入集合S′，在集合SN中應用SMOTE進行過采樣，生成k-a個合成樣例，連同SN中的a個樣本，都加入集合S′；

5)輸出集合S′ 。

算法依據2)中所產生的隨機整數值大小來決定相應的采樣操作，如果產生的隨機數k小于初始數據集的負類樣本數量，則在負類樣本集進行欠采樣，在正類樣本集進行過采樣，使得最終輸出集合S′的樣本數量與初始數據集數量一致，反之，則進行相反的采樣。與傳統的采樣方法不同的是，在步驟4中對正類樣本進行欠采樣，對負類樣本進行過采樣，通過隨機函數產生的隨機數，使得輸出集合S′在總數量一定的情況下保持對對各類別樣本的中立性。

2.2訓練樣例權值更新

在第t次迭代過程中，需要對兩個集合中的樣例權重進行更新，分別是動態平衡采樣后的輸出集合S′和子分類器形成之后的初始數據集S。

分析動態平衡采樣算法過程可知，經過數據采樣之后，新數據集S′的樣例總數與初始數據集S一致，均為m，其中包括從數據集S抽取的部分樣例，以及部分由SMOTE方法產生的合成樣例。S′中的樣本權值按照式(1)更新：

(1)

第t次迭代訓練結束時，AdaBoost分類算法在數據集S′進行學習后得到子分類器ht:x→{-1,+1},t=1,2，…,T,ht(x)給出數據集S中的樣例x的所屬類別，根據子分類器的分類情況，更新樣本權值，增加錯分樣本的權值，減少正確分類樣本權值，以便下次迭代時，“錯分”樣本得到更多關注。

計算子分類器ht(x)的分類錯誤率εt：

(2)

如果εt>0.5，終止此輪迭代。

計算子分類器投票權重αt：

(3)

更新樣例權值:

(4)

式中Zt是歸一化常數。

完整算法如算法2所示。

算法2動態平衡采樣的不平衡分類算法

2) for t=1,2,…,T

① 調用動態平衡采樣算法，獲得數據集S′；

② 利用式(1)設置S′中的樣例權值；

③ 使用數據集S′及其中的樣例權值，訓練基于AdaBoost算法的子分類器ht(x)；

④ 按照式(2)計算分類器ht(x)的誤差εt，按照式(3)計算ht(x)的投票權重αt；

⑤ 按照式(4)更新數據集S中的樣本權重；

3實驗結果與分析

3.1評價度量

傳統分類器采用分類精度指標衡量分類性能，其追求整體分類準確率，忽略了在不平衡數據分類過程中需要特別關注的正類分類準確率。針對不平衡數據，許多學者提出了在兩類混淆矩陣基礎上的Fmeasure[10]、Gmean[11]等評價方法。

在混淆矩陣中，TP(true positive)、FN(false negative)、TN(true negative)、FP(false positive)分別代表分類正確的正類樣本、假的負類樣本、正確的負類樣本以及假的正類樣本的數目。基于混淆矩陣，Fmeasure定義如下:

Fmeasure定義說明：較大值表示Recall和Precision都較大，因此，其能夠較好評價正類分類性能。

Gmean其定義如下：

式中

Gmean兼顧了正類準確率和負類準確率，比整體分類準確率更適合于不平衡數據分類評價。

本文使用Fmeasure準則來衡量正類的分類性能，使用Gmean準則來衡量數據集整體分類性能。

3.2UCI數據

為了檢驗本文所提方法的有效性，選擇6組具有實際工程應用背景的UCI數據[21]進行測試，對于含有多個類別的數據，取其中某個類為正類，合并其余類為負類，各數據集的基本信息見表1。

表1　UCI數據集信息

3.3實驗結果及分析

實驗中對比算法如下：

1)隨機森林(random forest，RF)算法，RF算法作為一種集成算法，在處理不平衡數據時有獨特的優勢，能夠在某種程度上減少不均衡數據帶來的影響[22]，因此將其直接應用在初始不平衡數據集進行分類。

2)SMOTEBoost[23]算法，將SMOTE方法與AdaBoost.M2結合，在每次集成迭代中生成新的合成樣例，使得分類器更加關注小類樣本。

3)RUSBoost[24]，與SMOTEBoost方法相類似，采用隨機欠采樣從負類樣本中隨機移除樣例，然后應用AdaBoost進行多次迭代。

4)文獻[4]提出的集成方法K-means+Bagging，首先在負類樣本上應用K-means聚類，提取與正類樣本數量一致的聚類質心，組成平衡訓練集，參與Bagging集成。

上述3種集成方法以及本文算法均使用C4.5決策樹算法作為基分類器算法。

為客觀對比上述不平衡數據分類方法，實驗數據采用10折交叉驗證方式，重復10次，以平均值作為最終的分類結果。

表2和表3分別列出5種方法在6個UCI數據集上的正類Fmeasure值和數據集整體的Gmean值，最后一行列出每種方法在所有數據集上的平均結果。

表2　5種方法的Fmeasure值比較

表3　5種方法的Gmean值比較

從表2的Fmeasure值可以看出，本文方法除了在sick數據集稍微低于SMOTEBoost算法之外，在其他5個數據集上均有最佳表現，比較各種算法在6組UCI數據上的平均值，本文方法比隨機森林RF算法有14.2%的提升，與基于聚類欠采樣的集成算法相比有27.3%的提升，說明本文所提方法在少數類分類性能方面有巨大的提升。

比較各個算法的整體分類性能Gmean，從表3可以看出，本文方法也僅在sick數據集上稍遜于最優算法SMOTEBoost，二者精度相差不超過1‰；在6個數據集上的平均分類性能上，本文方法獲得最優精度。

結合表1～3可以看出，隨著數據不平衡度的提高，無論是隨機欠采樣還是基于聚類的欠采樣，由于都會對原始數據集造成樣本丟失，分類性能都有所下降，特別是在letter和page-blocks數據集上，差距比較明顯。與之對比，本文方法在數據采樣過程中也需要對某類樣本進行欠采樣，通過多次動態、隨機性采樣調和，使得抽樣數據能夠較好地保持對原始數據的分布；與此同時，對另外一類樣本進行SMOTE過采樣，在沒有增加數據規模條件下，保持對各類樣本的中立性，或者對正類過采樣，或者對負類過采樣。從最終分類結果來看，本文方法在不降低數據集整體Gmean值的基礎上，提高了正類的Fmeasure值，對正類和負類都具有較高的識別率。

本文算法中經過動態平衡采樣后參與基分類器訓練的數據集樣本規模與初始數據集一致，即集合數據大小比例為100%，為考察參與訓練的不同數據規模比例對算法分類性能的影響，選取本文算法、隨機森林和SMOTEBoost 3種算法，同時選擇以letter數據集為例，在20%～100%范圍內每次增加20%比例的數據，參與集成學習，迭代10次，相關算法的Fmeasure、Gmean均值如圖1所示。

圖1　不同數據規模對分類性能影響Fig.1　Performance measures of different ensemble size

從圖1可看出，隨著參與訓練數據集比例的增大，無論是正類分類性能還是整體分類精度，都有所上升，但是隨著數據比例的增大，相應的分類性能提升幅度有限。另外，在數據比例為20%、40%時，3種算法相對應的Fmeasure和Gmean值幾乎是線性提升，這說明過低比例的抽樣數據由于損失太大的原始數據分布信息，會嚴重影響算法的分類性能。

4結束語

針對類別不平衡數據分類問題，本文提出了一種混合數據采樣與Boosting技術相結合的集成分類方法。該方法統籌運用欠采樣和過采樣，在保持訓練集數據規模一致條件下，靈活調整各類別樣本數量比例，較好地保持原始數據分布，然后采用Boosting技術進行多次迭代學習，獲得更強性能分類器。實驗結果表明，該方法能夠有效提高正類樣本的分類性能。

由于數據集本身的多樣性和復雜性，諸如類重疊分布、噪聲樣本等均會影響不平衡數據性能，如果進行有針對性的數據預處理工作，將會使得動態平衡采樣的數據分布更加合理，對正類的分類性能將會進一步提高。此外，將本文方法應用于多類別不平衡數據分類，也是今后需要進一步研究的方向。

參考文獻:

[1]CATENI S, COLLA V, VANNUCCI M. A method for resampling imbalanced datasets in binary classification tasks for real-world problems[J]. Neurocomputing, 2014, 135: 32-41.

[2]ZHANG Huaxiang, LI Mingfang. RWO-Sampling: a random walk over-sampling approach to imbalanced data classification[J]. Information fusion, 2014, 20: 99-116.

[3]CHAWLA N V, BOWYER K W, HALL L O, et al. SMOTE: synthetic minority over-sampling technique[J]. Journal of artificial intelligence research, 2002, 16(1): 321-357.

[4]郭麗娟, 倪子偉, 江弋, 等. 集成降采樣不平衡數據分類方法研究[J]. 計算機科學與探索, 2013, 7(7): 630-638.

GUO Lijuan, NI Ziwei, JIANG Yi, et al. Research on imbalanced data classification based on ensemble and under-sampling[J]. Journal of frontiers of computer and technology, 2013, 7(7): 630-638.

[5]李雄飛, 李軍, 董元方, 等. 一種新的不平衡數據學習算法PCBoost[J]. 計算機學報, 2012, 35(2): 202-209.

LI Xiongfei, LI Jun, DONG Yuanfang, et al. A new learning algorithm for imbalanced data-PCBoost[J]. Chinese journal of computers, 2012, 35(2): 202-209.

[6]CHEN Xiaolin, SONG Enming, MA Guangzhi. An adaptive cost-sensitive classifier[C]//Proceedings of the 2nd International Conference on Computer and Automation Engineering. Singapore: IEEE, 2010, 1: 699-701.

[7]李倩倩, 劉胥影. 多類類別不平衡學習算法: EasyEnsemble. M[J]. 模式識別與人工智能, 2014, 27(2): 187-192.

LI Qianqian, LIU Xuying. EasyEnsemble. M for multiclass imbalance problem[J]. Pattern recognition and artificial intelligence, 2014, 27(2): 187-192.

[8]韓敏, 朱新榮. 不平衡數據分類的混合算法[J]. 控制理論與應用, 2011, 28(10): 1485-1489.

HAN Min, ZHU Xinrong. Hybrid algorithm for classification of unbalanced datasets[J]. Control theory & applications, 2012, 28(10): 1485-1489.

[9]WANG Shijin, XI Lifeng. Condition monitoring system design with one-class and imbalanced-data classifier[C]//Proceedings of the 16th International Conference on Industrial Engineering and Engineering Management. Beijing, China: IEEE, 2009: 779-783.

[10]葉志飛, 文益民, 呂寶糧. 不平衡分類問題研究綜述[J]. 智能系統學報, 2009, 4(2): 148-156.

YE Zhifei, WEN Yimin, LV Baoliang. A survey of imbalanced pattern classification problems[J]. CAAI transactions on intelligent systems, 2009, 4(2): 148-156.

[11]翟云, 楊炳儒, 曲武. 不平衡類數據挖掘研究綜述[J]. 計算機科學, 2010, 37(10): 27-32.

ZHAI Yun, YANG Bingyu, QU Wu. Survey of mining imbalanced datasets[J]. Computer science, 2010, 37(10): 27-32.

[12]HAN Hui, WANG Wenyuan, MAO Binghuan. Borderline-SMOTE: a new over-sampling method in imbalanced data sets learning[C]//International Conference on Intelligent Computing. Berlin Heidelberg, Germany: Springer, 2005: 878-887.

[13]HE Haibo, BAI Yang, GARCIA E A, et al. ADASYN: adaptive synthetic sampling approach for imbalanced learning[C]//Proceedings of IEEE International Joint Conference on Neural Networks. Hong Kong, China: IEEE, 2008: 1322-1328.

[14]BATISTA G, PRATI R C, MONARD M C. A study of the behavior of several methods for balancing machine learning training data[J]. ACM SIGKDD explorations newsletter, 2004, 6(1): 20-29.

[15]KUBAT M, MATWIN S. Addressing the curse of imbalanced training sets: one-sided selection[C]//Proceedings of the 14th International Conference on Machine Learning. San Francisco, USA: Morgan Kaufmann, 1997: 179-186.

[16]蔣盛益, 苗邦, 余雯. 基于一趟聚類的不平衡數據下抽樣算法[J]. 小型微型計算機系統, 2012, 33(2): 232-236.

JIANG Shengyi, MIAO Bang, YU Wen. Under-sampling method based on one-pass clustering for imbalanced data distribution[J]. Journal of Chinese computer systems, 2012, 32(2): 232-236.

[17]胡小生, 鐘勇. 基于加權聚類質心的SVM不平衡分類方法[J]. 智能系統學報, 2013, 8(3): 261-265.

HU Xiaosheng, ZHONG Yong. Support vector machine imbalanced data classification based on weighted clustering centroid[J]. CAAI transactions on intelligent systems, 2013, 8(3): 261-265.

[18]胡小生, 張潤晶, 鐘勇. 兩層聚類的類別不平衡數據挖掘算法[J]. 計算機科學, 2013, 40(11): 271-275.

HU Xiaosheng, ZHANG Runjing, ZHONG Yong. Two-tier clustering for mining imbalanced datasets[J]. Computer science, 2013, 40(11): 271-275.

[19]陳思, 郭躬德, 陳黎飛. 基于聚類融合的不平衡數據分類方法[J]. 模式識別與人工智能, 2010, 23(6): 772-780.

CHEN Si, GUO Gongde, CHEN Lifei. Clustering ensembles based classification method for imbalanced data sets[J]. Pattern recognition and artificial intelligence, 2010, 23(6): 772-780.

[20]UCI machine learning repository[EB/OL]. (2009-10-16)[2015-3-20]. http://archive.ics.uci.edu/ml.

[21]李建更, 高志坤. 隨機森林針對小樣本數據類權重設置[J]. 計算機工程與應用, 2009, 45(26): 131-134.

LI Jiangeng, GAO Zhikun. Setting of class weights in random forest for small-sample data[J]. Computer engineering and applications, 2009, 45(26): 131-134.

[22]CHAWLA N V, LAZAREVIC A, HALL L O, et al. SMOTBoost: improving prediction of the minority class in boosting[C]//Proceedings of the 7th European Conference on Principles and Practice of Knowledge Discovery in Databases. Berlin Heidelberg: Springer, 2003, 2838: 107-119.

[23]SEIFFERT C, KHOSHGOFTAAR T M, VAN HULSE J, et al. RUSBoost: a hybrid approach to alleviating class imbalance[J]. IEEE transactions on system, man and cybernetics-part a: systems and humans, 2010, 40(1): 185-197.

胡小生，男，1978年生，講師/高級工程師，主要研究方向為機器學習、數據挖掘、人工智能。主持廣東省教育廳育苗工程項目1項，參與省級、市廳級科研項目6項，發表學術論文12篇，其中被EI、ISTP檢索4篇。

溫菊屏， 女，1979年生，講師，主要研究方向為虛擬現實、數據挖掘。主持廣東省教育廳科研項目1項，參與省級、廳級科研和教改項目4項，發表學術論文9篇。

鐘勇， 男，1970年生，教授，博士，主要研究方向為訪問控制、隱私保護、信息檢索、云計算。主持和參與國家自然科學基金、國家星火科技計劃、省自然科學基金等國家級、省級科研項目10余項，發表學術論文30多篇，其中被SCI、EI檢索10篇。

Imbalanced data ensemble classification using dynamic balance sampling

HU Xiaosheng， WEN Juping， ZHONG Yong

(College of Electronic and Information Engineering, Foshan University, Foshan 528000, China)

Abstract：Traditional classification algorithms assume balanced class distribution or equal misclassification costs, which result in poor predictive accuracy of minority classes when handling imbalanced data. A novel imbalanced data classification method that combines dynamic balance sampling with ensemble boosting classifiers is proposed. At the beginning of each iteration, each member of the dynamic balance ensemble is trained with under-sampled data from the original training set and is augmented by artificial instances obtained using SMOTE . The distribution proportion of each class sample is randomly chosen to reflect the diversity of the training data and to provide a better training platform for the ensemble sub-classifier. Once the sub-classifiers are trained, a strong classifier is obtained using a weighting vote. Experimental results show that the proposed method provides better classification performance than other approaches.

Keywords：data mining; imbalanced data; re-sampling; ensemble; random forest

作者簡介：

中圖分類號：TP181

文獻標志碼：A

文章編號：1673-4785(2016)02-0257-07

通信作者：胡小生. E-mail：feihu@fosu.edu.cn.

基金項目：國家星火計劃項目(2014GA780031)；廣東省自然科學基金項目(2015A030313638)；廣東高校優秀青年創新人才培養計劃資助項目(2013LYM_0097，2014KQNCX184，2015KQNCX180) ；佛山科學技術學院校級科研項目.

收稿日期：2015-07-09. 網絡出版日期：2016-03-14.

DOI:10.11992/tis.201507015

網絡出版地址：http://www.cnki.net/kcms/detail/23.1538.TP.20160314.1431.002.html