基于多分类器架构的数据流中概念漂移的研究论文(pdf 61页)

基于多分类器架构的数据流中概念漂移的研究论文内容提要：
近几年，数据流在股票交易、网络流量监控、网络安全监控、电信通信记录、
传感器网络等许多领域有着广泛的应用。简单地说，数据流是无限的、连续的、
快速的、实时的数据集合。由于这些特点，传统的数据挖掘技术无法用于数据流
的处理。这就为数据流挖掘技术的发展带来了机遇。
数据流中概念漂移的检测是当前数据挖掘领域的重要研究分支，近年来得到
广泛的关注。所谓概念漂移是指由于潜在信息的变化而导致目标概念发生根本性
变化的现象。当前概念漂移方法还存在需要解决的问题有：
(1)当前大多数概念漂移检测模型或算法是基于批处理方式的，不能够适应
数据流中概念在短时间内的快速变化，一些小的快速变化的概念可能会被大的成
块的概念所“淹没”。
(2)批处理的方式一般需要大容量的训练数据，因此在只有少量训练样本的
数据流情况时，可能会导致算法的精确度下降。
(3)目前已经出现了增量式多分类器算法，但是它们在技术上仍然不成熟，
方法和实验手段上仍然需要继续研究和探讨。
本文针对这些问题，提出了一种称为ICEA(Incremental CIassification
Ensemble Algorithm)的数据流挖掘算法。并从理论上给出了分析结果。它利用
集成分类器综合技术，实现了数据流中概念漂移的增量式检测和挖掘。实验结果
表明，对比已有的算法，ICEA算法在处理数据流的快速概念漂移上表现出更高
的精确度和较好的时间效率。
..............................