随着大数据应用研究的不断深入和分布式机器学习中流计算框架的涌现,针对数据流中概念漂移问题的研究是面向大数据挖掘领域的研究热点之一。现有的针对概念漂移的研究成果主要还是依赖于数据结构和算法优化,通过计算资源有限的独立计算机完成概念漂移的检测。为此,提出一种面向大数据的基于Storm的抵抗概念漂移的分类挖掘算法S-CVFDT(Storm-concept very fast decision tree)及系统。该系统采用并行化窗口和S-CVFDT算法,利用并行化窗口机制检测数据流中的突变型概念漂移,从而自适应地改变并行窗口大小,并通过S-CVFDT算法不断更新渐进性概念漂移时的模型。分析与实验结果表明,该算法可以快速有效地检测到突变型概念漂移,降低系统因为突变型概念漂移造成的资源浪费,且模型建立效率、分类精度得到提高。
针对线性调频(LFM,Linear Frequency Modulation)信号盲处理结果的可靠性评估问题,提出了一种基于循环频率特征分析的处理算法.首先对观测信号进行调制方式识别及参数估计,并据此建立参考信号,后将观测信号与参考信号作相关运算.通过检...
详细信息
针对线性调频(LFM,Linear Frequency Modulation)信号盲处理结果的可靠性评估问题,提出了一种基于循环频率特征分析的处理算法.首先对观测信号进行调制方式识别及参数估计,并据此建立参考信号,后将观测信号与参考信号作相关运算.通过检测相关序列在零频率附近是否存在循环频率,实现对LFM信号盲处理结果的可靠性检验.文中对所提出检验算法的错误概率进行了理论推导,并以常用的离散多项式变换(DPT,Discrete Polynomial Transform)法为例进行了实证分析.仿真结果表明,相对于已有时域方法而言,本文算法无需估计信噪比,且在低信噪比条件下具有更好的统计性能.
暂无评论