增量式概念漂移收敛问题的进一步研究

摘要：

概念飘移是数据流挖掘的一个研究热点与难点,目前概念飘移尚未有统一定义,如何判断认知收敛更是研究盲区.粗糙集在处理不确定性问题上具有较大优势,逐渐被应用于概念飘移探测.但现有的探测方法在适应性上存在一定的问题,缺少增量式概念飘移的相关研究.针对上述问题,笔者从单条决策规则和整体决策系统的角度出发,引入决策优势函数与飘移度,对概念飘移的适应与收敛问题做了进一步研究;在此基础上,提出一种基于决策支持度阈值的增量式规则更新算法,使用局部最小决策支持度作为阈值来处理新规则样本,并构造缓冲区用于存储矛盾规则和小于支持度阈值的规则,从而保证新样本的高效利用和数据的完整性.理论分析与仿真实验结果表明,笔者提出的算法和研究策略有效可行.

关键词：概念飘移、粗糙集、增量式学习、规则获取

所属期刊栏目：32

分类号：TP181(自动化基础理论)

在线出版日期：2020-04-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：151-153