融合互近邻降噪的动态数据流分类研究

来源：计算机科学与探索杂志2016年第1期北京时间：

作者：刘三民，王忠群，刘涛，修宇

单位：1. 安徽工程大学 计算机与信息学院，安徽 芜湖 2410002. 安徽工程大学 管理工程学院，安徽 芜湖 241000

摘要：动态数据流分类挖掘应用场景逐渐增多，如何辨识出动态数据流中概念漂移和噪声信息成为数据流分类研究中的重点。因此提出一种具备噪声检测能力的动态数据流增量式分类挖掘模型解决此类问题。当动态数据流中出现样本信息与分类模型概念不相容时，采用互近邻思想检测样本是否为噪声，在此基础上用支持向量机作为学习器，通过增量式学习解决数据流中概念漂移。在两种不相容度量标准下，结合理论分析和实验，证明了所提的分类方案是有效可行的。

关键词：互近邻,增量学习,数据流分类,不确定性,概念漂移