概念漂移数据流挖掘算法综述

发布时间：2017-10-24 05:18

  本文关键词：概念漂移数据流挖掘算法综述

  更多相关文章： 数据流挖掘 分类 聚类 模式挖掘 概念漂移

【摘要】：数据流是一种新型的数据模型,具有动态、无限、高维、有序、高速和变化等特性。在真实的数据流环境中,一些数据分布是随着时间改变的,即具有概念漂移特征,称为可变数据流或概念漂移数据流。因此处理数据流模型的方法需要处理时空约束和自适应调整概念变化。对概念漂移问题和概念漂移数据流分类、聚类和模式挖掘等内容进行综述。首先介绍概念漂移的类型和常用概念改变检测方法。为了解决概念漂移问题,数据流挖掘中常使用滑动窗口模型对新近事务进行处理。数据流分类常用的模型包括单分类模型和集成分类模型,常用的方法包括决策树、分类关联规则等。数据流聚类方式通常包括基于k-means的和非基于k-means的。模式挖掘可以为分类、聚类和关联规则等提供有用信息。概念漂移数据流中的模式包括频繁模式、序列模式、episode、模式树、模式图和高效用模式等。最后详细介绍其中的频繁模式挖掘算法和高效用模式挖掘算法。
【作者单位】： 北方民族大学计算机科学与工程学院;
【关键词】： 数据流挖掘 分类 聚类 模式挖掘 概念漂移
【基金】：国家自然科学基金项目(61563001) 北方民族大学科研基金项目(2014XYZ13)资助
【分类号】：TP311.13
【正文快照】： 到稿日期:2016-01-18返修日期:2016-06-14本文受国家自然科学基金项目(61563001),北方民族大学科研基金项目(2014XYZ13)资助。1概述近年来数据流作为一种新型数据模型广泛出现在多种应用领域。与传统的数据集不同,数据流具有时间顺序性、快速变化、海量和潜在无限等特性。数据

【相似文献】

中国期刊全文数据库 前10条

1 吴应清;;浅论数据流挖掘[J];办公自动化;2011年08期

2 曲武;隋海峰;杨炳儒;谢永红;;分布式数据流挖掘的研究进展[J];计算机科学;2012年01期

3 蒋盛益,李庆华,李新;数据流挖掘算法研究综述[J];计算机工程与设计;2005年05期

4 孙晓华;;数据流挖掘技术研究[J];应用能源技术;2007年03期

5 陆亿红;;基于聚类的数据流挖掘技术的分析与研究[J];浙江工业大学学报;2007年03期

6 史金成;胡学钢;;数据流挖掘研究[J];计算机技术与发展;2007年11期

7 张天成;岳德君;于戈;林树宽;谷峪;;数据流挖掘研究及其进展[J];小型微型计算机系统;2008年12期

8 王少娟;郑丽英;祁凤林;;数据流挖掘研究[J];科技信息(科学教研);2008年21期

9 仵雪婷;周明建;;数据流挖掘方法研究[J];计算机与现代化;2010年04期

10 王大将;孙洁;;数据流挖掘技术研究[J];统计与决策;2010年07期

中国重要会议论文全文数据库 前1条

1 曹波伟;李爱兰;薛青;刘磊;;面向装备作战仿真的数据流挖掘框架的研究[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

中国博士学位论文全文数据库 前6条

1 朱小栋;基于扩展预测模型标记语言的数据流挖掘系统建模研究[D];南京航空航天大学;2009年

2 王涛;数据流挖掘分类方法关键技术研究[D];国防科学技术大学;2007年

3 尹志武;数据流挖掘若干问题的研究[D];上海交通大学;2007年

4 郭立超;数据流挖掘若干技术研究及其在电信行业的应用[D];浙江大学;2011年

5 冯博;基于半结构化数据的数据流挖掘算法研究[D];北京邮电大学;2011年

6 吴枫;数据流挖掘若干关键技术研究[D];国防科学技术大学;2009年

中国硕士学位论文全文数据库 前10条

1 安静;数据流挖掘技术及应用研究[D];华北电力大学（河北）;2008年

2 管忆军;数据流挖掘方法及其应用研究[D];广西民族大学;2012年

3 叶爱玲;基于多重选择机制的概念漂移数据流挖掘算法研究[D];安徽大学;2010年

4 孙博明;一种效用模式的数据流挖掘方法[D];哈尔滨工程大学;2013年

5 钱瑞;面向数据流挖掘算法的研究与改进[D];南京邮电大学;2015年

6 孙金山;智能移动设备中数据流挖掘算法研究[D];燕山大学;2012年

7 张帆;数据流挖掘中聚类算法的研究与实现[D];北京林业大学;2012年

8 何相志;数据流挖掘算法研究[D];电子科技大学;2008年

9 张丹丹;面向数据流挖掘的分类和聚类算法研究[D];北京交通大学;2014年

10 邹江波;面向数据流挖掘的集成分类模型研究[D];浙江工商大学;2013年

，

本文编号：1087215