论文部分内容阅读
近年来，数据流挖掘技术引起了学者们的广泛关注，其通过对大数据进行分析可以发现数据流中隐藏的有效信息，极大地便利生产生活的各个方面。然而科技的飞速发展使得数据流的种类逐渐丰富、内部的结构日益复杂、产生的速度显著提高，这些变化增加了数据流挖掘的复杂度，为原有的数据流挖掘技术带来了不可避免的挑战。因此，提升数据流挖掘的效率，提高有效信息的获取精度具有重要的意义。
作为数据流挖掘的常用方法，滑动窗口可以将源源不断到来的大数据分成若干片段，并从中寻找有效数据进行分析。在滑动窗口机制中，窗口尺寸的选择至关重要，其可以将同一类别的数据流限定在一个滑动窗口批量处理，并捕捉变化的数据进行特定分析。基于此，本文提出了面向数据流挖掘的自适应窗口调整机制，根据数据流的动态变化情况自动调节滑动窗口的大小。本文的主要工作如下：
1.提出了单模态输入下的自适应窗口调整机制。传统的数据流分析方法主要是针对向量输入，而对高维数据的向量化会破坏高维数据内部的固有联系，基于此，本文研究了矩阵变量输入下的滑动窗口调节情况。文章对原有的高斯受限玻尔兹曼机进行扩展，建立了基于矩阵变量的高斯受限玻尔兹曼机，并利用该模型的构建特性获取数据流的变化趋势即数据流的概率分布情况。然后，结合数据流的变化情况以及霍夫丁边界对滑动窗口的尺寸进行调节。
2.提出了多模态输入下的自适应窗口调整机制。当数据流的特征通过不同的模态进行表征时，对单一模态的分析会破坏模态间的复杂联系，且模态信息的缺失也会导致数据流挖掘结果出现偏差。为了能更加准确地捕捉到多源异构数据流中的有效信息，本文将之前的模型再次扩展，提出了支持矩阵变量的多模态输入受限玻尔兹曼机，对异构的数据流进行融合分析，显著地提高滑动窗口自适应调整的准确性。
3.在多模态输入下，提出了基于数据流加权融合的自适应窗口调整机制。多源异构数据流中，部分数据的缺失以及数据固有的属性会导致各模态数据源中所含的信息量有所差异，为此，本文通过高斯混合模型计算各模态数据源所占的权重，并对多模态数据流进行加权融合，实现数据流的自适应窗口调整。
作为数据流挖掘的常用方法，滑动窗口可以将源源不断到来的大数据分成若干片段，并从中寻找有效数据进行分析。在滑动窗口机制中，窗口尺寸的选择至关重要，其可以将同一类别的数据流限定在一个滑动窗口批量处理，并捕捉变化的数据进行特定分析。基于此，本文提出了面向数据流挖掘的自适应窗口调整机制，根据数据流的动态变化情况自动调节滑动窗口的大小。本文的主要工作如下：
1.提出了单模态输入下的自适应窗口调整机制。传统的数据流分析方法主要是针对向量输入，而对高维数据的向量化会破坏高维数据内部的固有联系，基于此，本文研究了矩阵变量输入下的滑动窗口调节情况。文章对原有的高斯受限玻尔兹曼机进行扩展，建立了基于矩阵变量的高斯受限玻尔兹曼机，并利用该模型的构建特性获取数据流的变化趋势即数据流的概率分布情况。然后，结合数据流的变化情况以及霍夫丁边界对滑动窗口的尺寸进行调节。
2.提出了多模态输入下的自适应窗口调整机制。当数据流的特征通过不同的模态进行表征时，对单一模态的分析会破坏模态间的复杂联系，且模态信息的缺失也会导致数据流挖掘结果出现偏差。为了能更加准确地捕捉到多源异构数据流中的有效信息，本文将之前的模型再次扩展，提出了支持矩阵变量的多模态输入受限玻尔兹曼机，对异构的数据流进行融合分析，显著地提高滑动窗口自适应调整的准确性。
3.在多模态输入下，提出了基于数据流加权融合的自适应窗口调整机制。多源异构数据流中，部分数据的缺失以及数据固有的属性会导致各模态数据源中所含的信息量有所差异，为此，本文通过高斯混合模型计算各模态数据源所占的权重，并对多模态数据流进行加权融合，实现数据流的自适应窗口调整。