基于多源迁移学习的数据流分类研究

摘要：

为解决数据流分类中概念漂移和噪声问题,提出一种基于互近邻的多源迁移学习方法.该方法存储多源领域上训练得到的分类器,求出目标领域数据块中每个样本的互近邻样本集合,然后计算源领域分类器对目标领域数据块中每个样本的互近邻样本集合的局部分类精度,最后将局部分类精度最高的源领域分类器和目标领域分类器进行加权集成,从而将多个源领域的知识迁移到目标领域.在仿真数据集上的实验结果表明,该方法能够有效避免伪近邻现象,与基于K-近邻的多源在线迁移学习方法相比,具有更好的分类准确率和抗噪稳定性.

关键词：数据流分类、迁移学习、互近邻、局部分类精度

所属期刊栏目：32

分类号：TP181(自动化基础理论)

资助基金：安徽省自然科学基金资助项目1608085MF147

在线出版日期：2019-08-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：34-40