[发明专利]一种泛化特征空间数据流的分类方法及其装置

权利要求书

1.一种泛化特征空间数据流的分类方法，其特征在于，所述方法包括：

对阶段t到达的数据流先进行特征选择，然后将阶段t所选特征和阶段t-1的全局特征空间中存储的特征分别归入new特征集、active特征集和silent特征集，所述new特征集为阶段t被引入的特征，所述active特征集为阶段t之前引入并存储的特征，所述silent特征集为阶段t之前已经出现但在阶段t没有重新出现的特征；

当active特征集为空，用阶段t所选特征构建动态证据推理规则分类器，得到准确率acc_t和分类器参数par_t；

当active特征集不为空，则更新active特征集中每个特征的激活频率，并根据阶段t-1的分类器参数par_t-1构建与active特征集匹配的动态证据推理规则分类器，得到阶段t数据流的初始准确率和初始融合结果，然后判断new特征集是否为空；

若active特征集不为空且new特征集不为空，则先将所述初始融合结果与new特征集合并得到然后基于构建动态证据推理规则分类器，得到准确率acc_t和分类器参数par_t，所述分类器参数par_t存储训练后参数中与new特征有关的参数；

若active特征集不为空且new特征集为空，使用所述初始融合结果替换active特征集得到然后基于构建动态证据推理规则分类器，得到准确率acc_t和分类器参数par_t；

根据所述准确率acc_t和分类器的参数par_t，更新阶段t的全局特征空间。

2.根据权利要求1所述的泛化特征空间数据流的分类方法，其特征在于，

若更新后的阶段t的全局特征空间中包含的特征数大于系统可承受的最大特征数，且silent特征集中包含的特征数大于需要被删除的特征数时，则阶段t+1的特征选择将仅在silent特征集中进行，否则，active特征集也参与特征选择过程。

3.根据权利要求2所述的泛化特征空间数据流的分类方法，其特征在于，所述active特征集也参与特征选择过程，具体为删除一定数量激活频率小的特征，当某些特征具有相同的激活频率时，则将权重较小的特征删除。

4.根据权利要求1-3任一项所述的泛化特征空间数据流的分类方法，其特征在于，所述特征选择具体为，当数据流中的特征数大于系统可承受的最大特征数时，采用最大相关最小冗余算法选择所需特征。

5.根据权利要求1-3任一项所述的泛化特征空间数据流的分类方法，其特征在于，所述动态证据推理规则分类器为，先通过特征可靠性计算得到特征的可靠性，然后通过多次重复证据获取、证据激活与组合、参数优化和最优结果更新4个步骤得到参考值数量、特征的参考值、证据的权重，所述参考值数量采用测试集准确率最大同时均方误差最小的向量作为最优结果。

6.根据权利要求5所述的泛化特征空间数据流的分类方法，其特征在于，当动态证据推理规则分类器更新时，优先更新特征的参考值、证据的权重。

7.根据权利要求1-3任一项所述的泛化特征空间数据流的分类方法，其特征在于，对于阶段0到达的数据流，先进行特征选择，然后基于所选特征构建动态证据推理规则分类器，得到阶段0的准确率acc₀和分类器参数par₀，并更新阶段0的全局特征空间。