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、無線通信網(wǎng)絡、電子商務交易、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、動態(tài)的數(shù)據(jù)流。由于數(shù)據(jù)流的海量性、動態(tài)性，傳統(tǒng)經(jīng)典分類算法已不能適應數(shù)據(jù)流的處理要求，如何有效的對數(shù)據(jù)流進行處理并從中挖掘有價值的信息已經(jīng)成為國內(nèi)學者研究的熱點。與此同時近幾年云計算的飛速發(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)合云端強大的計算能力，快速高效地處理數(shù)據(jù)流也將成為未來信息處理的一大趨勢。
　　 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算相關(guān)技術(shù)對動態(tài)數(shù)據(jù)流的分類模型進行了深入研究，主要研究內(nèi)容包含以下幾個方面:
　　 第一，針對數(shù)據(jù)流中因特征隨時間變化而導致目標分類模型也隨之改變的概念漂移問題，本文提出了一種基于情景特征的前饋動態(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，通過動態(tài)設置情景特征的閾值來提前預測概念漂移發(fā)生的邊界，當情景特征的變化超出情景閾值時，立即通知集成分類器重新學習產(chǎn)生新的基分類器，而不是等到基分類器的準確率低于集成分類器的閾值時才開始學習，以此使集成分類器具有一定的前饋性，達到動態(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關(guān)于基分類器選擇的準確性與差異性之間的關(guān)系問題。由于數(shù)據(jù)流的潛在無限性、快速變化性要求基分類器需不斷更

4、新以適應數(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，即僅需一個基分類器便可完成對數(shù)據(jù)的正確分類的任務卻產(chǎn)生了多個基分類器。因此本文對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)，通過引入差異性計算使得處理數(shù)據(jù)流的模型更具適應性。
　　 第三，對當今潮流的云計算技術(shù)進行了深入研究，