王军，刘三民，刘涛

(安徽工程大学计算机与信息学院，安徽 芜湖 241000)

基于蚁群优化的选择性集成数据流分类方法

王军，刘三民，刘涛

(安徽工程大学计算机与信息学院，安徽 芜湖 241000)

基于集成学习的数据流分类问题已成为当前研究热点之一，而集成学习存在集成规模大、训练时间长、时空复杂度高等不足，为此提出了一种基于蚁群优化的选择性集成数据流分类方法，用蚁群优化算法挑选出优秀的基分类器来构建集成分类模型。该方法首先对所有基分类器采用交叉验证计算分类精度，同时采用Gower相似系数求出基分类器之间的差异性，然后把分类精度和分类器差异性作为分类器挑选标准，从全部基分类器中选出一部分来构建集成模型，最终挑选的基分类器不仅具有良好的分类精度，同时保持一定差异性。在标准仿真数据集上对构建的集成分类模型进行仿真试验，结果表明,该方法与传统集成方法相比在准确率和稳定性方面均有显著提高。

数据流分类；概念漂移；选择性集成；蚁群优化算法；差异性

随着信息化技术的发展和应用需求不断深入，数据流已广泛存在于各行各业，如网络数据、天气预测数据、无线传感数据、金融和电网数据等[1]。如何挖掘出这些数据流中有价值的信息，已成为当前研究的热点问题。而数据流隐含噪声同时具有时序特性和概念漂移现象，导致传统分类模型难以适应数据流的分类问题。

目前，国内外关于数据流分类已取得较多研究成果，以集成学习作为数据流分类模型已成为主流。……