动态文本分类中概念漂移问题的解决算法研究

以当前的"消极学习型分类法"加"动态更新训练集"的组合模式,不足以解决好动态文本分类中的概念漂移问题.为此,受消极分类法基本思想的启发,并借鉴k-NN算法的优点,提出了针对概念漂移问题的"消极特征选择模式"的概念和基于此模式的动态文本分类算法.测试结果表明,新算法很好地解决了当前存在的难点问题,具有高可靠性、高实用性等优点.     

电涡流传感器温度漂移分析及补偿实现

大温差环境下检测线圈阻抗是导致传感器输出漂移的主要环节.对检测线圈阻抗温度漂移进行了理论分析,电阻温度漂移改变了阻抗,间隙对传感器温度灵敏度的影响很小,即不同间隙下温度漂移量认为是相同的.提出对检测线圈进行串联负温度系数(NTC)电阻补偿,并采用修正表算法来减小检测线圈带来的温度漂移.对漂移补偿后的传感器进行了实验验证.     

一种面向周期性概念漂移的数据流分类算法

数据流挖掘已在许多领域得到应用,概念漂移检测是数据流挖掘研究中的一个重点.目前关于数据流中的概念检测的研究虽然取得了很多成果,却没有充分考虑到数据流概念"周期性"出现的特点.针对周期性概念漂移的特点,提出了当"历史概念"重现时,利用对应的模型来对数据流进行分类的方法,从而减小模型更新的代价,加快分类预测的速度.实验证明这种方法提高了运行效率.     

一种基于关系熵和J量值的网络事件关联模式漂移检测方法

针对传统的模式漂移检测方法无法直接适用于关联规则分析的问题,提出了一种基于关系熵和J量值的模式漂移检测方法。抽取并定义了4种特征属性:关系量RC、关系熵RE、窗口数WC和J量值,并通过对时间相邻的两个滑动窗口内的关系熵和J量值的取值分布进行假设检验,判断和定位模式漂移的发生,得到模式漂移影响较大的事件集和事件对集,它们可为关联规则的调整和更新提供支持。实验数据表明该方法准确可行。     

基于分层校验的多标签数据流概念漂移检测

现有的概念漂移检测方法大多集中于单标签数据流,难以满足多标签数据流概念漂移检测的需要,因此文中提出基于分层校验的多标签数据流概念漂移检测算法.算法包括检验层和校验层,检验层通过检测数据分布变化判断是否发生概念漂移,校验层通过判断标签混淆矩阵的变化程度验证是否真正发生概念漂移.在真实多标签数据集和合成多标签数据集上的实验表明,文中算法表现更优,可以有效检测概念漂移,提升分类性能.     

全角模式半球谐振陀螺的信号检测

半球谐振陀螺由于制造工艺和其它因素的影响,其结构难免出现误差,会对测量结果产生影响,同时漂移的存在也会降低测量结果的精度.通过对结构误差和漂移的分析,介绍了一种全角模式下半球谐振陀螺的信号检测方法.这种方法可有效地使输出信号精度得以提高.     

基于经验模式分解的通信信号异常漂移检测

由于混合数字通信信号包含多个信道，且每个信道的特征不同，数据量相对较大，受到多种干扰的影响，信噪比较低，导致其异常漂移检测精度低。为此，提出多信道混合数字通信信号异常漂移检测方法。采用多线性主成分分析方法对通信信号展开降维处理；利用经验模式分解方法对降维后的通信信号分解，通过IMF能量确定异常漂移分量所处位置，实现通信信号异常漂移检测；建立RBF神经网络非线性滤波器，将信号漂移分量输入滤波器中，完成多信道混合数字通信信号的漂移校正。仿真结果表明，所提方法的信号降维效果好，信号异常漂移检测平均绝对误差较低，数字通信信号异常漂移校正质量高。     

基于多分类器的数据流中的概念漂移挖掘

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, 近年来得到了广泛的关注. 本文提出了一种称为 M_ID4 的数据流挖掘算法. 它是在大容量数据流挖掘中, 通过尽量少的训练样本来实现概念漂移检测的快速方法. 利用多分类器综合技术, M_ID4 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, M_ID4 算法在处理数据流的概念漂移上表现出比已有同类算法更高的精确度和适应性.     

面向工业过程软测量建模的概念漂移检测综述

基于数据驱动的软测量模型广泛用于工业过程中产品质量与环保指标等难测参数的在线测量,该过程中存在的概念漂移问题易导致模型精度下降.如何有效识别过程概念变化并精准检测漂移样本是提高模型测量性能的关键.本文总结并分析目前漂移检测的研究思路与进展,为面向工业过程软测量的漂移检测算法提供设计指导.首先,介绍了概念漂移的通常定义与其在工业过程中的表现形式;然后,从检测依据与检测对象两个视角分析了目前具有代表性的检测方法;接着,讨论了这些算法的技术特点和当前工业领域的研究难点;最后,展望了未来的研究方向.     

概念漂移数据流挖掘算法综述

数据流是一种新型的数据模型,具有动态、无限、高维、有序、高速和变化等特性。在真实的数据流环境中,一些数据分布是随着时间改变的,即具有概念漂移特征,称为可变数据流或概念漂移数据流。因此处理数据流模型的方法需要处理时空约束和自适应调整概念变化。对概念漂移问题和概念漂移数据流分类、聚类和模式挖掘等内容进行综述。首先介绍概念漂移的类型和常用概念改变检测方法。为了解决概念漂移问题,数据流挖掘中常使用滑动窗口模型对新近事务进行处理。数据流分类常用的模型包括单分类模型和集成分类模型,常用的方法包括决策树、分类关联规则等。数据流聚类方式通常包括基于k- means的和非基于k- means的。模式挖掘可以为分类、聚类和关联规则等提供有用信息。概念漂移数据流中的模式包括频繁模式、序列模式、episode、模式树、模式图和高效用模式等。最后详细介绍其中的频繁模式挖掘算法和高效用模式挖掘算法。