基于多源迁移学习的数据流分类研究 |
| |
引用本文: | 周胜,刘三民.基于多源迁移学习的数据流分类研究[J].四川理工学院学报(自然科学版),2019(4):34-40. |
| |
作者姓名: | 周胜 刘三民 |
| |
作者单位: | 安徽工程大学计算机与信息学院 |
| |
摘 要: | 为解决数据流分类中概念漂移和噪声问题,提出一种基于互近邻的多源迁移学习方法。该方法存储多源领域上训练得到的分类器,求出目标领域数据块中每个样本的互近邻样本集合,然后计算源领域分类器对目标领域数据块中每个样本的互近邻样本集合的局部分类精度,最后将局部分类精度最高的源领域分类器和目标领域分类器进行加权集成,从而将多个源领域的知识迁移到目标领域。在仿真数据集上的实验结果表明,该方法能够有效避免伪近邻现象,与基于K-近邻的多源在线迁移学习方法相比,具有更好的分类准确率和抗噪稳定性。
|
关 键 词: | 数据流分类 迁移学习 互近邻 局部分类精度 |
Research on Data Streams Classification Based on Multi-source Transfer Learning |
| |
Abstract: | |
| |
Keywords: | |
本文献已被 CNKI 等数据库收录! |
|