摘要概念是知识表示的基本认知单元,它由外延和内涵两部分构成由于概念的外延与内涵可以相互诱导,所概念的外延和内涵中一旦有一个被确定下来,那么这个概念也就随之确定,概念认知是将属于这一概念的特征鳳性筛选出来,同时把不于这一概念的特征婳性排除,即通过确定内涵的方式获得櫶念,它采用特定的认知方法米完成概念的识别当前,概念认知正逐渐借鉴认知科学领域中的一些研究思想,不断地完善自身理论与方法.然而,现有的概念认知方法要求假定概念认知算子具有完全认知功能,但现实中由于个体认知的局限性往往会出现认知不完全的现象

非均衡数据集的分类过程中，产生了向多数类偏斜、少数类识别率较低的问题。为了提高少数类的分类精度，提出了一种S-SMO-Boost方法。该方法基于Adaboost提升算法迭代过程中错分少数类样本，构造虚拟样本，以加强对易错分样本的训练；其中构造样本利用空间插值方法，即在错分少数类样本周围构造超几何体，在该超几何体内部空间随机插值产生有效虚拟样本。在实际数据集上进行实验验证，结果表明，S-SMO-Boost方法提高了非均衡数据集的分类性能。