基于DELM的不确定数据流分类算法

刘俊杰，张 昕，杨 乐，韩东红

(1.山西工程技术学院 信息工程与自动化系，山西 阳泉 045000；2.东北大学 计算机科学与工程学院，辽宁 沈阳 110819)

0 引 言

随着计算机及网络技术的飞速发展，实际应用中产生了大量不确定数据流，面向不确定数据流环境的分类处理具有重要的应用前景。基于此，研究并实现高效的不确定数据流的分类算法十分必要。受最小二乘回归法的启发，Bi等[1]提出了基于支持向量机的全支持向量分类算法(TSVC)。对有噪音的不确定数据分类问题，为提高分类准确率，一些学者采用集成分类器的方法。文献[2]提出一种基于SVM的集成分类器，采用OC-SVM方法处理不确定性，同时调整每个基分类器的权重以处理概念漂移。文献[3]提出的WE-DELM算法使用ELM技术训练基分类器并动态改变基分类器权重来跟踪不断演进的数据流。文献[4]提出UELM-MapReduce算法，即利用ELM算法对每个不确定数据流块并行训练基分类器，根据基分类器在最新的测数据集上的均方差值对相应的权重进行调整，同时替换准确率最低的分类器。

J Ma等[5]开发了有效的周期模式识别和特征提取技术，提出了一个新的处理框架来细化数据流，支持不确定数据流中的异常检测。Shajib B U等[6]设计了一种有效的数据结构，称为不确定流树以存储最近的元数据。Zhou等[7]对不确定数据流挖掘过程中top-k查询、ER-Topk查询、稀疏性估计、集合相似性和聚类进行了研究，提出了一种新的DSUF-mine算法来挖掘频繁的不确定性流。吕艳霞等[8]提出一种基于VFDT算法的WBVFDTu算法。……