[发明专利]一种基于AAE-DWMIL-LearnNSE的数据流分类算法

权利要求书

1.本发明一种基于AAE-DWMIL-LearnNSE的数据流分类算法，其特征在于：(1)更新每个分类器权重；(2)加权处理基分类器；(3)加权合成集成分类器；(4)计算新数据集上分类错误率；(5)综合预测模型；(6)数据流分类函数确定及分类；具体包括以下七个步骤：

步骤一：更新每个分类器权重

首先对于每个基分类器的分类错误率ε进行计算，根据分类错误率对每个基分类器的权重ω进行初始值的设置，如下公式所示：

式中，j＝1,...,m+1，m表示分类器的数据，t表示时间轴，表示在当前的数据流中第j个分类器的分类错误率，其中通过F1或者G-mean方式进行计算；

步骤二：加权处理基分类器

使用sigmoid对基分类器加权处理，减少分类器错误率引起的波动，跟新基分类器的权重，如下公式所示：

式中，a,b为设置sigmoid形态的数值，根据a,b值调整调整基分类器错误率分类性能的大小；

步骤三：加权合成集成分类器H^t(x^t(i))：

对各个基分类器进行加权合成一个集成分类器，用于对整个数据流进行分类预测，产生一个初始分类结果，如下公式所示：

式中，表示每个基分类器权重，为减小错误率波动，使用sigmoid函数对每个基分类器所在环境进行加权平均处理；

重复以上步骤，并在训练数据上进行训练，得到初始分类预测模型，整个算法流程图如图2所示；

步骤四：计算新数据集上分类错误率

添加新数据，对分类模型进行预测，并计算相应的错误率的加权，从而对分类器的分类效果进行判断，如下公式所示：

式中，t表示第几次处理的训练集，x^t(i)表示所使用的实例，i表示个共m^t个，表示实例权重，表示惩罚权重，表示基分类器，当分类错误率大于0.5时表明该基分类器无效，需要重新学习；

步骤五：综合预测模型sign(·)：

式中，x表示数据流中的输入数据，即一个分类器的整合向量和权值w^t的结合；

步骤六：数据流分类函数确定及分类p(c_m|h₁,h₂,…,h_f)：

式中，M表示分类器数量，c_m表示类数目，p(c_m)表示带有特征f实例的后验概率，N表示目前使用的数据流中存储的实例数目，表示第i个数据实例，I(·)表示判别函数，n_j表示第j个特征的概率值，i表示训练实例的索引。