增量式概念漂移适应与收敛 |
| |
摘 要: | 概念漂移是数据流挖掘的一个研究热点与难点,判断认知收敛是研究盲区.粗糙集已被应用于概念漂移探测,但存在适应性问题,缺少增量式概念漂移的相关研究.针对上述问题,运用粗糙集理论,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漂移度,对增量式概念漂移的适应与认知收敛问题作了较为深入的研究,提出一种基于决策支持度阈值的增量式规则更新算法.理论分析与仿真实验表明:新算法在适应概念漂移和学习新知识时较其他算法更为敏感且高效,对概念飘移的研究策略有效可行.
|
本文献已被 CNKI 等数据库收录! |
|