【摘要】：與傳統(tǒng)的靜態(tài)數(shù)據(jù)相比,現(xiàn)代數(shù)據(jù)多以數(shù)據(jù)流的形式產(chǎn)生和積累,數(shù)據(jù)類型方面也越來(lái)越常見(jiàn)到多標(biāo)簽類型。數(shù)據(jù)形式與類型的變化無(wú)論對(duì)單標(biāo)簽數(shù)據(jù)流分類還是多標(biāo)簽數(shù)據(jù)流分類都提出了巨大的挑戰(zhàn)。本文針對(duì)單標(biāo)簽數(shù)據(jù)流分類算法,在前人工作的基礎(chǔ)上提出了兩種改進(jìn)算法;另一方面,針對(duì)多標(biāo)簽數(shù)據(jù)流分類算法,本文受以往研究成果的啟發(fā),提出了兩種新穎的分類算法。具體工作如下:(1)為解決單標(biāo)簽數(shù)據(jù)流分類算法大多無(wú)法解決特征演化且分類效果欠佳的問(wèn)題,本文改進(jìn)靜態(tài)數(shù)據(jù)環(huán)境下的無(wú)監(jiān)督特征選擇算法,降低其時(shí)間復(fù)雜度來(lái)適應(yīng)數(shù)據(jù)流環(huán)境,并以DXMinei.算法為原型,應(yīng)用改進(jìn)后的無(wú)監(jiān)督特征選擇算法優(yōu)化其特征選擇部分,提出了一種基于集成學(xué)習(xí)與無(wú)監(jiān)督特征選擇思想的數(shù)據(jù)流分類算法。(2)由于工作(1)中所提算法的時(shí)間復(fù)雜度仍有優(yōu)化空間,本文采用一種在高維度數(shù)據(jù)環(huán)境下表現(xiàn)優(yōu)異的數(shù)據(jù)結(jié)構(gòu)進(jìn)一步改進(jìn)算法的特征選擇部分,提出了一種改進(jìn)的基于集成學(xué)習(xí)與快速無(wú)監(jiān)督特征選擇的數(shù)據(jù)流分類算法。(3)為解決多標(biāo)簽數(shù)據(jù)流分類綜合了多標(biāo)簽數(shù)據(jù)分類與數(shù)據(jù)流分類兩方面的難點(diǎn),本文受多標(biāo)簽靜態(tài)數(shù)據(jù)分類算法的啟發(fā),提出了一種動(dòng)態(tài)加權(quán)集成的多標(biāo)簽數(shù)據(jù)流分類算法。該算法使用ML-KNN模型與KNN思想訓(xùn)練基分類器,并設(shè)計(jì)一種新穎的動(dòng)態(tài)變化的權(quán)重調(diào)節(jié)機(jī)制,動(dòng)態(tài)集成各個(gè)子分類器來(lái)最終給出分類結(jié)果,分類后數(shù)據(jù)被用來(lái)訓(xùn)練新的子分類器并替換原模型中表現(xiàn)不好的分類器。(4)工作(3)中所提算法中集成模型的大小對(duì)分類效果影響極大,而該參數(shù)需要人工確定,另外該算法在更新過(guò)程中舍棄了部分有用的信息。為解決模型大小確定困難與丟失信息不利于分類的問(wèn)題,本文提出了一種集成大小不固定的多標(biāo)簽數(shù)據(jù)流分類模型。新模型維護(hù)一個(gè)分類器池,每次分類時(shí)從池中動(dòng)態(tài)的選取若干子分類器加權(quán)集成,處理過(guò)的數(shù)據(jù)又被訓(xùn)練成新的模型并加入分類器池中。本文的主要貢獻(xiàn)在于:第一,工作(1)、(2)均解決了單標(biāo)簽數(shù)據(jù)流分類算法大多未考慮的特征演化問(wèn)題并且時(shí)間復(fù)雜度足夠低來(lái)適用于數(shù)據(jù)流環(huán)境;第二,在目前多標(biāo)簽數(shù)據(jù)流分類研究工作還較少的情況下,工作(3)、(4)為其他研究人員提出了兩種可用的解決思路,豐富了這方面的研究;第三,在真實(shí)數(shù)據(jù)集上,分別對(duì)上述四種算法進(jìn)行了實(shí)驗(yàn),結(jié)果表明各算法在分類效果與時(shí)間消耗上均有良好表現(xiàn)。
【圖文】：

現(xiàn)實(shí)生活中許多應(yīng)用都在源源不斷地產(chǎn)生數(shù)據(jù)流，這些數(shù)據(jù)以連續(xù)、無(wú)限、逡逑快速、隨時(shí)間變化等特征產(chǎn)生和積累。以下列舉幾個(gè)典型的數(shù)據(jù)流應(yīng)用和在這種逡逑特殊數(shù)據(jù)上進(jìn)行分析的例子，如圖１－１所示。逡逑上：函１邋ＢＨＩＭＩ邋＾７廠二＾邋ｐＳｆｅＳｉｉ＂；丨逡逑網(wǎng)頁(yè)查詢流邐網(wǎng)絡(luò)監(jiān)控邐傳感網(wǎng)絡(luò)邐社交網(wǎng)絡(luò)逡逑圖１＿１數(shù)據(jù)流應(yīng)用場(chǎng)景逡逑Ｆｉｇｕｒｅ邋１－１邋Ｔｈｅ邋ａｐｐｌｉｃａｔｉｏｎ邋ｏｆ邋ｄａｔａ邋ｓｔｒｅａｍ逡逑（１）

。逡逑第三章，首先對(duì)本章研宄內(nèi)容涉及的相關(guān)概念進(jìn)行定義說(shuō)明，然后對(duì)本章提逡逑出的算法的基礎(chǔ)工作ＤＸＭｉｎｅｒ與ＭＣＦＳ進(jìn)行簡(jiǎn)要介紹。然后針對(duì)ＤＸＭｉｎｅｒ算法逡逑的缺點(diǎn)提出一種改進(jìn)策略并形成了邋ＵＦＳＣＳ－Ｉ，并在此基礎(chǔ)上繼續(xù)減少時(shí)間復(fù)雜度逡逑形成了邋ＵＦＳＣＳ－ＩＩ算法。最后通過(guò)實(shí)驗(yàn)，，從多個(gè)角度對(duì)ＵＦＳＣＳ－Ｉ、ＵＦＳＣＳ－ＩＩ算法與逡逑多個(gè)數(shù)據(jù)流分類算法進(jìn)行性能對(duì)比，驗(yàn)證改進(jìn)效果。逡逑第四章，首先對(duì)本章提出的算法的基礎(chǔ)工作ＭＬ－ＫＮＮ進(jìn)行了簡(jiǎn)要的介紹。然逡逑后詳細(xì)介紹了針對(duì)多標(biāo)簽數(shù)據(jù)流分類任務(wù)提出的一種基于ＭＬ－ＫＮＮ的、通過(guò)動(dòng)態(tài)逡逑調(diào)整權(quán)重進(jìn)行多分類器集成的ＳＷＭＥＣ算法。最后通過(guò)在真實(shí)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)逡逑對(duì)ＳＷＭＥＣ的性能進(jìn)行對(duì)比驗(yàn)證。逡逑第五章，針對(duì)ＳＷＭＥＣ算法的缺陷，詳細(xì)介紹了采用集成模型大小不固定的逡逑策略進(jìn)行改進(jìn)后得到的ＳＷＭＵＥＣ算法。最后在真實(shí)數(shù)據(jù)集上與ＳＷＭＥＣ等算法逡逑進(jìn)行對(duì)比實(shí)驗(yàn)。逡逑第六章，總結(jié)本文的工作。對(duì)文中提出的兩種針對(duì)數(shù)據(jù)流的分類算法及在此逡逑基礎(chǔ)上的兩種改進(jìn)算法作出總結(jié)與分析，并對(duì)未來(lái)的研宄內(nèi)容與研宄方向提出展逡逑望。逡逑￣￣
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP311.13

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 王霄;周李威;陳耿;朱玉全;;一種基于標(biāo)簽相關(guān)性的多標(biāo)簽分類算法[J];計(jì)算機(jī)應(yīng)用研究;2014年09期

2 郭躬德;李南;陳黎飛;;一種基于混合模型的數(shù)據(jù)流概念漂移檢測(cè)算法[J];計(jì)算機(jī)研究與發(fā)展;2014年04期

相關(guān)碩士學(xué)位論文 前2條

1 石中偉;多標(biāo)簽數(shù)據(jù)流分類中的類別增量學(xué)習(xí)與概念漂移檢測(cè)的研究[D];桂林電子科技大學(xué);2015年

2 屈偉;多標(biāo)簽數(shù)據(jù)流分類研究[D];西北農(nóng)林科技大學(xué);2010年

本文編號(hào)：2579074