The incremental Fourier classifier: Leveraging the discrete Fourier transform for classifying high speed data streams

دو تداخل عمده عملکرد با طبقه بندی های مبتنی بر تصمیم در یک محیط جریان داده ها عمق درخت و سربار نگهداری از نگه داشتن آمار گره برگ بر اساس یک نمونه به منظور اطمینان از طبقه بندی با وضعیت فعلی جریان داده سازگار است. تحقیقات قبلی نشان داده است که طبقه بندی های مبتنی بر طیف فوریه مشتق شده از درخت های تصمیم گیرنده ساختارهای آرایه ای جمع و جور را می توان جستجو و نگهداری کرد که بسیار کارآمد تر از سازه های عمیق درخت است. با این حال، مسئله کلیدی برای تطبیق تدریجی طیف با تغییرات، مورد توجه قرار نگرفته است. در این تحقیق ما یک استراتژی برای نگهداری افزایشی طیف فوریه برای تغییرات مفهومی در محیط های جریان داده ارائه می کنیم. علاوه بر رویکرد افزایشی، طرح هایی برای انتخاب ویژگی و خلاصه سازی ارائه می شود که آرایه ضریب را به طور موثر بر مبنای دوره ای تجدید می کند. ارزیابی تجربی ما در تعدادی از طبقه بندی های جریان به طور گسترده ای استفاده می شود نشان می دهد که طبقه بندی فوریه آنها را بهتر از هر دو به لحاظ دقت طبقه بندی و همچنین سرعت طبقه بندی می کند.