10.3969/j.issn.1673-629X.2019.03.022
基于DELM的不确定数据流分类算法
针对不确定数据流蕴含的概念存在往复出现的特点,对带有概念漂移的不确定数据流分布式分类算法进行了研究,利用适于大数据处理的分布式极限学习机算法,提出了一种基于分布式极限学习机的概念缓冲加权集成算法.在训练阶段,该算法在不确定数据流块上训练带有权重的基分类器,然后基分类器进行投票,再将结果进行权值分配后加到全局分类结果.在分类器更新和剪枝阶段,该算法设置了缓冲区用来保存旧的分类器已经出现的旧概念,然后提出一种方法更新缓冲区管理的概念.该算法有效避免了当前分类算法仅存储当前概念,新概念发生时模型每次都需要重新学习的缺点,更适用于有概念往复现象的不确定数据流的分类问题.实验结果证明了该算法的有效性和高效性.
不确定数据流、分类、概念漂移、分布式、极限学习机、概念往复
29
TP301.6(计算技术、计算机技术)
国家自然科学基金61173029,61672144
2019-05-31(万方平台首次上网日期,不代表论文的发表时间)
共5页
101-105