隨著數(shù)字地球的快速發(fā)展,越來(lái)越多的傳感器每時(shí)每刻都在產(chǎn)生著龐大的數(shù)據(jù)流,這些數(shù)據(jù)流中隱含了大量對(duì)生產(chǎn)生活有價(jià)值的信息,快速、有效地挖掘這些數(shù)據(jù)中的模式規(guī)律等信息是數(shù)據(jù)挖掘的主要目的。分類(lèi)和回歸是數(shù)據(jù)挖掘領(lǐng)域的兩項(xiàng)主要任務(wù),由于數(shù)據(jù)流本身的高速性、連續(xù)性、潛在無(wú)窮性、時(shí)間演化性等特點(diǎn),傳統(tǒng)的靜態(tài)數(shù)據(jù)挖掘算法在處理數(shù)據(jù)流時(shí)很難達(dá)到滿(mǎn)意的效果。構(gòu)建一種在線(xiàn)、快速、準(zhǔn)確的增量式數(shù)據(jù)流分類(lèi)、回歸算法是數(shù)據(jù)挖掘領(lǐng)域的重要研究方向。本文提出一種基于代表性原型的數(shù)據(jù)流分類(lèi)算法:算法選出有限數(shù)量的最有代表性的樣本原型作為分類(lèi)的訓(xùn)練樣本集以代表數(shù)據(jù)流當(dāng)前時(shí)刻最新的概念,并利用懶惰學(xué)習(xí)方法進(jìn)行分類(lèi)。算法通過(guò)錯(cuò)誤率驅(qū)動(dòng)的代表性學(xué)習(xí)方法在線(xiàn)更新代表性原型的權(quán)重以適應(yīng)漸變概念漂移;通過(guò)保存誤分類(lèi)樣本點(diǎn),并利用局部誤分類(lèi)監(jiān)控檢測(cè)突變概念漂移并更新模型,進(jìn)而擺脫噪聲數(shù)據(jù)的影響;此外,算法通過(guò)快速最近鄰壓縮規(guī)則對(duì)代表性原型集合進(jìn)行壓縮,限制代表性原型的數(shù)量,保證了算法運(yùn)行的高效性。本文提出一種基于代表性樣本的數(shù)據(jù)流回歸算法:算法選出有代表性的樣本數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù),利用代表性樣本構(gòu)建基于遞推最小二乘法的模型樹(shù),對(duì)待預(yù)測(cè)... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 數(shù)據(jù)流挖掘研究現(xiàn)狀
        1.2.1 數(shù)據(jù)流的定義
        1.2.2 數(shù)據(jù)流數(shù)據(jù)處理方法
        1.2.3 概念漂移檢測(cè)及處理方法
        1.2.4 數(shù)據(jù)流分類(lèi)算法研究進(jìn)展
        1.2.5 數(shù)據(jù)流回歸算法研究進(jìn)展
    1.3 徑流模擬研究現(xiàn)狀
    1.4 研究?jī)?nèi)容和技術(shù)路線(xiàn)
    1.5 本文的主要貢獻(xiàn)與創(chuàng)新
    1.6 本論文的結(jié)構(gòu)安排
第二章 概念漂移下基于代表性原型的數(shù)據(jù)流分類(lèi)算法(SPL)
    2.1 SPL背景介紹
    2.2 在線(xiàn)數(shù)據(jù)維護(hù)
        2.2.1 增量式代表性學(xué)習(xí)與代表樣本集合更新
        2.2.2 基于FCNN規(guī)則壓縮ISet
        2.2.3 ISet更新
        2.2.4 潛在概念集合及其更新
    2.3 概念漂移檢測(cè)
    2.4 算法概述
    2.5 實(shí)驗(yàn)評(píng)估
        2.5.1 實(shí)驗(yàn)設(shè)置
        2.5.2 算法效果驗(yàn)證
        2.5.3 預(yù)測(cè)性能對(duì)比與分析
        2.5.4 參數(shù)敏感性分析
    2.6 本章小結(jié)
第三章 概念漂移下基于代表性樣本的數(shù)據(jù)流回歸算法(SIR)
    3.1 基于代表性樣本的數(shù)據(jù)流回歸算法
    3.2 基于遞推最小二乘法的模型樹(shù)構(gòu)建
        3.2.1 CART回歸樹(shù)
        3.2.2 加權(quán)最小二乘法求解線(xiàn)性回歸
        3.2.3 遞推最小二乘法增量式求解線(xiàn)性回歸
        3.2.4 遞推最小二乘法模型樹(shù)
    3.3 在線(xiàn)數(shù)據(jù)更新
    3.4 基于SPC的概念漂移檢測(cè)
    3.5 算法概述
    3.6 實(shí)驗(yàn)評(píng)估
        3.6.1 算法效果驗(yàn)證
        3.6.2 預(yù)測(cè)性能對(duì)比
    3.7 本章小結(jié)
第四章 基于SIR算法的流域徑流動(dòng)態(tài)模擬
    4.1 研究區(qū)域
    4.2 數(shù)據(jù)說(shuō)明與獲取
    4.3 徑流模擬結(jié)果
    4.4 與傳統(tǒng)機(jī)器學(xué)習(xí)方法對(duì)比
    4.5 與水文模型對(duì)比
    4.6 實(shí)驗(yàn)結(jié)果及分析
    4.7 本章小結(jié)
第五章 全文總結(jié)與展望
    5.1 全文總結(jié)
    5.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
附錄
攻讀碩士學(xué)位期間取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]分布式水文模型的回顧與展望[J]. 王澤群.  綠色科技. 2018(18)
[2]機(jī)器學(xué)習(xí)在徑流預(yù)測(cè)中的應(yīng)用研究[J]. 蘇輝東,賈仰文,倪廣恒,龔家國(guó),曹雪健,張明曦,牛存穩(wěn),張迪.  中國(guó)農(nóng)村水利水電. 2018(06)
[3]基于小波支持向量機(jī)耦合的月徑流預(yù)測(cè)方法[J]. 黃巧玲,粟曉玲.  水力發(fā)電學(xué)報(bào). 2015(03)
[4]多隱層BP神經(jīng)網(wǎng)絡(luò)模型在徑流預(yù)測(cè)中的應(yīng)用[J]. 崔東文.  水文. 2013(01)
[5]黃河中游水文變化趨勢(shì)及其對(duì)氣候變化的響應(yīng)[J]. 張建云,王國(guó)慶,賀瑞敏,劉翠善.  水科學(xué)進(jìn)展. 2009(02)
[6]基于徑流模擬的漢江上游區(qū)水資源對(duì)氣候變化響應(yīng)的研究[J]. 朱利,張萬(wàn)昌.  資源科學(xué). 2005(02)
[7]徑流長(zhǎng)期預(yù)報(bào)的人工神經(jīng)網(wǎng)絡(luò)方法[J]. 蔡煜東,姚林聲.  水科學(xué)進(jìn)展. 1995(01)

博士論文
[1]流域水文建模及預(yù)報(bào)方法研究[D]. 郭俊.華中科技大學(xué) 2013

碩士論文
[1]環(huán)境下基于數(shù)據(jù)挖掘的徑流演化分析[D]. 張恒.電子科技大學(xué) 2018
[2]基于機(jī)器學(xué)習(xí)的渭河流域徑流預(yù)測(cè)系統(tǒng)研究[D]. 左崗崗.西安理工大學(xué) 2017



本文編號(hào)：3610416