面向數(shù)據(jù)流挖掘的集成分類模型研究.pdf

1、生產(chǎn)制造控制、無(wú)線通信網(wǎng)絡(luò)、電子商務(wù)交易、金融信息監(jiān)控等領(lǐng)域的迅猛發(fā)展形成了如今高速、海量、動(dòng)態(tài)的數(shù)據(jù)流。由于數(shù)據(jù)流的海量性、動(dòng)態(tài)性，傳統(tǒng)經(jīng)典分類算法已不能適應(yīng)數(shù)據(jù)流的處理要求，如何有效的對(duì)數(shù)據(jù)流進(jìn)行處理并從中挖掘有價(jià)值的信息已經(jīng)成為國(guó)內(nèi)學(xué)者研究的熱點(diǎn)。與此同時(shí)近幾年云計(jì)算的飛速發(fā)展也為處理海量、連續(xù)、高速的數(shù)據(jù)流指明了新的方向，如何結(jié)合云端強(qiáng)大的計(jì)算能力，快速高效地處理數(shù)據(jù)流也將成為未來(lái)信息處理的一大趨勢(shì)。
　　 數(shù)據(jù)流的挖掘

2、研究主要集中在流中頻繁模式的挖掘、動(dòng)態(tài)數(shù)據(jù)流的分類以及聚類演變數(shù)據(jù)流挖掘。本文結(jié)合集成分類模型以及云計(jì)算相關(guān)技術(shù)對(duì)動(dòng)態(tài)數(shù)據(jù)流的分類模型進(jìn)行了深入研究，主要研究?jī)?nèi)容包含以下幾個(gè)方面:
　　 第一，針對(duì)數(shù)據(jù)流中因特征隨時(shí)間變化而導(dǎo)致目標(biāo)分類模型也隨之改變的概念漂移問(wèn)題，本文提出了一種基于情景特征的前饋動(dòng)態(tài)集成分類器算法(OriginCharacteristicsEnsembleClassifier,OCEC)，該算法在集成分類器研究

3、的基礎(chǔ)上，融入了情景特征，通過(guò)動(dòng)態(tài)設(shè)置情景特征的閾值來(lái)提前預(yù)測(cè)概念漂移發(fā)生的邊界，當(dāng)情景特征的變化超出情景閾值時(shí)，立即通知集成分類器重新學(xué)習(xí)產(chǎn)生新的基分類器，而不是等到基分類器的準(zhǔn)確率低于集成分類器的閾值時(shí)才開(kāi)始學(xué)習(xí)，以此使集成分類器具有一定的前饋性，達(dá)到動(dòng)態(tài)數(shù)據(jù)流分類的目的。
　　 第二，深入研究分析了集成分類模型在最終集成時(shí)關(guān)于基分類器選擇的準(zhǔn)確性與差異性之間的關(guān)系問(wèn)題。由于數(shù)據(jù)流的潛在無(wú)限性、快速變化性要求基分類器需不斷更

4、新以適應(yīng)數(shù)據(jù)類別的持續(xù)變化。但用于分類的基分類器可能存在冗余，即僅需一個(gè)基分類器便可完成對(duì)數(shù)據(jù)的正確分類的任務(wù)卻產(chǎn)生了多個(gè)基分類器。因此本文對(duì)集成分類模型中的基分類器采用差異性度量，提出了一種基于信息熵差異性度量的增量集成分類算法(IncrementSelectEnsembleClassifier，Increment_SEC)，通過(guò)引入差異性計(jì)算使得處理數(shù)據(jù)流的模型更具適應(yīng)性。
　　 第三，對(duì)當(dāng)今潮流的云計(jì)算技術(shù)進(jìn)行了深入研究，