检索结果-南通市图书馆

随着互联网和大数据技术的发展,许多应用领域如新闻检索、淘宝购物和银行交易等产生海量的流式数据。不同于传统数据挖掘任务中采用的静态数据,这些数据流具有海量、快速、标签缺失、概念漂移或概念演化的特点,同时,由于存在多标记加剧类不平衡与类标签噪声问题,使得数据流的分类研究工作面临巨大挑战。因而如何从标签缺失的数据流中高效精准地挖掘潜在的、富有价值的信息成为数据流分类问题研究的重要任务之一。本文旨在充分利用半监督分类模型的优势,针对单标记与多标记数据流的标签缺失等问题开展分类方法研究,主要研究工作包括:(1)针对单标记数据流中标签缺失、概念漂移以及概念演化等问题,提出一种单标记数据流半监督分类方法。该方法利用少量的标记数据构建半监督的分类模型。同时,为了检测概念演化问题,该方法借助“簇内聚集和簇间稀疏”的性质,判断新到来的数据是否是新类数据实例;另外,为了检测隐藏的重现概念漂移问题,所提方法采用检测机制跟踪置信分数窗口的显著变化,计算漂移前后分布的距离判断重现概念漂移。大量实验结果表明:与经典的单标记数据流半监督分类方法相比,所提方法不仅具有较高的分类精度,而且能够有效地检测其中隐含的重现概念漂移和概念演化。(2)针对多标记数据流中标签缺失、概念漂移以及由于多标记加剧的类不平衡及标签噪音等问题,提出一种多标记半监督数据流分类方法。该方法首先利用有限的标记数据构建初始分类模型。为了适应多标记数据流条件下多种概念漂移(即异构概念漂移),该方法采用自适应滑动窗口机制适应异构概念漂移;同时,为了解决数据流由于多标记加剧的标签噪音和类不平衡问题,该方法采用了一种量化的错误惩罚机制,从窗口中删除受标签噪音污染的数据和导致类不平衡的数据,从而动态调整窗口中的数据分布。大量实验结果表明:与经典的多标记分类方法与多标记数据流分类方法相比,所提方法对异构概念漂移、标签噪音和类不平衡问题具有很好的鲁棒性,且在不同的标签缺失情况下,能够保持较高的分类精度。

关键词：数据流分类概念漂移概念演化半监督分类

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

物理解题的元认知研究

引用

教学与管理（理论版） 2006年第8期 103-104页

作者：李黄川郑修林重庆师范大学物理学与信息技术学院

一、元认知在物理解题中的重要作用　　1.在解题前,元认知对物理问题解决有目标指向作用　　元认知认知指的是以认知活动为对象所进行的注意、感知、记忆、思维等的认知活动.而在解决物理问题的过程中,元认知的作用使得解题过程具有明... 详细信息

一、元认知在物理解题中的重要作用　　1.在解题前,元认知对物理问题解决有目标指向作用　　元认知认知指的是以认知活动为对象所进行的注意、感知、记忆、思维等的认知活动.而在解决物理问题的过程中,元认知的作用使得解题过程具有明确的指向性,对问题类型、难度、陈述方式及知觉图示的难易程度有一个初步了解.然后再对将要进行的解题思维进行排序,进行优化组合.元认知理论表明,认知策略是揭示物理问题变量与问题解决方法之间关系的过程.在元认知的作用下,利用内化了的策略性知识的启发作用,能够保持或修改思考路线,调控解决物理问题的方法.

关键词：物理解题认知研究物理问题解决元认知理论认知活动解题思维策略性知识解题过程问题类型难易程度

来源：

维普期刊数据库

同方期刊数据库评论