基于隐马尔可夫模型的流数据分类算法

• 作者: 何可可 李国徽 潘怡
• 来源期刊: 华中科技大学学报（自然科学版）
• 学科: 工学
• 关键词: 数据挖掘 流数据分类 概念漂移 隐形马尔可夫模型 半监督学习
• 年，卷（期）: 2014,（8）
• 所属期刊栏目: 计算机与控制工程
• 页码范围: 18-21
• 页数: 4页
• 分类号: TP311.5
• 语种: 中文
• DOI: 10.13245/j.hust.140804

摘要

为优化周期性概念漂移分类精度，提出了一种基于隐马尔可夫模型的周期性流式数据分类（HMM -SDC）算法，算法结合实际可观测序列的输出建立漂移概念状态序列的转移矩阵概率模型，由观测值概率分布密度来预测状态的转移序列。当预测误差超过用户定义阈值时，算法能够更新优化转移矩阵参数，无须重复学习历史概念即可实现对数据概念漂移的有效预测。此外，算法采用半监督 K-M ean学习方法训练样本集，降低了人工标记样例的代价，能够避免隐形马尔可夫模型因标记样例不足而产生的欠学习问题。实验结果表明：相对传统集成分类算法，新算法对周期性数据漂移具有更好的分类精确度及分类时效性。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李国徽	华中科技大学计算机科学与技术学院	108	1100	18.0	29.0
2	潘怡	长沙学院计算机科学与技术系	16	19	2.0	3.0
3	何可可	长沙学院计算机科学与技术系	1	0	0.0	0.0