1、该文档不包含其他附件(如表格、图纸)，本站只保证下载后内容跟在线阅读一样，不确保内容完整性，请务必认真阅读。
2、有的文档阅读时显示本站（www.woc88.com）水印的，下载后是没有本站水印的（仅在线阅读显示），请放心下载。
3、除PDF格式下载后需转换成word才能编辑，其他下载后均可以随意编辑、修改、打印。
4、有的标题标有”最新”、多篇，实质内容并不相符，下载内容以在线阅读为准，请认真阅读全文再下载。
5、该文档为会员上传，下载所得收益全部归上传者所有，若您对文档版权有异议，可联系客服认领，既往收入全部归您。
关菁华，刘大有种挖掘概念漂移数据流的选择性集成算法计算机科学朱群，张玉红，胡学钢，等种基于双层窗口的概念漂移数据流分类算法自动化学报孙岳，毛国君，刘旭，等基于多分类器的数据流中的概念漂移挖掘自动化学报辛轶，郭躬德，陈黎飞，等种解决概念漂移问题的算法计算机研究与发展，，，，，，，，，，，，，，，，，，，，，罗秀，王大玲，冯时，等种面向周期性概念漂移的数据流分类算法计算机研究与发展，，，，，，，，，，，，果不是新概念则从全局集中挑选部分分类器组成集成分类器去检测新到数据块是否属于原来出现过的概念将个数据块转化成个概念向量，然后通过数据流聚类方法将不断到来的数据块聚类成多个概念向量的集合，每个概念向量的集合通过增量学习得到个分类器。
最新采集数据块用最新分类器分类等提出了通过概念聚类，形成概念列表的方式检测新到样本是否是属于已有概念等使用主集成和辅集成来检测新到样本是否属于已学习概念。
以上这些算法的主要不足在于数据块的大小不容易确定太大可能包含多个概念，太小则数据的分布不够体现概念本身。
概念漂移数据流中的半监督学习与主动学习问题较早地关注到了概念漂移数据流分类中的半监督学习问题。
在假定当前最新训练集与最新测试集同分布的条件下，他提出使用没有类别标志的样本估计滑动窗口的大小等针对类的先验概率发生变化以及最新采集的训练样本无类别标志的情形，探讨了如何利用无类别标志样本估计各类别样本的数量及实施半监督学习等提出了算法，该算法根据最新采集训练集中的样本是否具有类别标志和是否产生了概念漂移而分为个子集，然后根据子集的特点选择或算法实现学习和分类等提出了算法，该算法使用基于的聚类方法来实现无类别标志样本的标注和重用，进而使用概念聚类方法实现概念漂移检测。
等提出了不需要事先获得样本类别标志就可以计算的两个检测概念漂移的指标基于叶子节点的分布统计指标以及验证率与期望率的差。
当检测到概念漂移后，根据样本类别标注代价，选择性地给出部分样本的类别标志等选择使得集成分类器能产生最大方差的不确定样本给出类别标志，并通过分类器的加权集成，使得集成分类器能适应概念漂移等使用主动学习策略去分辨数据流中是否产生了新的类别以及挑选需要标注的样本等针对概念漂移发生的位置有的在分类面附近而有的远离分类面的特点，提出了可变不确定性策略和随机不确定性策略以主动选择无类别标志样本，尽量使得主动标注的样本能体现概念漂移等提出了基于贝叶斯概率的在线主动学习算法，该算法利用重要性采样方法实现对无类别标志样本的主动无偏选择，使得主动选择的样本符合当前概念的概率分布。
以上这些算法或使用半监督学习策略尽量发挥没有类别标志样本的作用，或使用主动学习策略选择能体现概念漂移的样本进行标注，但半监督学习和主动学习并没有很好地结合起来。
提出了个将半监督和主动学习相结合进行概念漂移数据流分类的算法框架。
存在的问题通过以上分析发现，已有的各种概念漂移数据流学习算法在处理概念漂移数据流分类时存在以下五个方面的问题冷启动。
由于在段时间里概念漂移的次数无法预知，学习系统只有在发生分类后才能得到调整，这导致了属于新概念的样本在刚开始出现时被分类。
而且在只有部分样本具有类别标志的情形下，学习系统将很难知道是否产生了分类。
如果将这样的分类器应用于工业流水线生产，将带来巨大的损失。
只能实施单概念学习。
目前主要使用滑动窗口训练样本赋权分类器自适应调整等方法实现对新概念的学习。
这些方法只能跟踪学习个概念，这导致了已学习知识难以保持。
由于些概念不定期重复出现，其产生的时刻和延续时间未知，导致现有的单概念学习模式无法适应。
对概念漂移中重复概念的关注说明多概念学习问题刚得开始到学术界的关注。
概
电子信息科学与技术毕业论文-数据流中概念漂移检测与分类方法研究
