数字化集成信息增量学习算法仿真研究

摘要：

传统集成信息增量学习算法无法更新数字化集成信息分类器,导致信息增量学习结果误差较大、效率偏低.为解决上述问题,提出基于深度学习的数字化集成信息增量学习算法.采用先验和条件两种概率获取后验概率后,获取样本类别标签.基于随机属性选择形成加权朴素贝叶斯分类器,分类数字化集成信息.并依据数据子集表更新该分类器.利用遗传算法获取更新后加权朴素贝叶斯分类器的最佳结果,完成数字化集成信息增量学习.实验测试结果表明,所提算法可有效控制训练样本数量,提升的信息增量学习效率,且该算法可较好地适应不同大小数据集.

关键词：深度学习、数字化、集成信息、增量学习、随机属性、样本类别标签

所属期刊栏目：39

分类号：TP181(自动化基础理论)

资助基金：齐鲁工业大学山东省科学院校级教研项目;齐鲁工业大学山东省科学院教学改革与教学研究项目;齐鲁工业大学山东省科学院教改专项项目

在线出版日期：2022-09-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：362-365,486