Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Learning Transformation Maps for Crowd Analysis Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Application Research of Multi-label Learning Under Concept Drift

verfasst von : Jiakang Tang, Wei Zhou, Hanbing Sun

Erschienen in: Communications, Signal Processing, and Systems

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In order to address the interference of concept drift on the results of multi-label learning algorithms, a hybrid kernel extreme learning machine is used as the foundation for the classification algorithm. Concept drift detection is incorporated, and the classifier is updated based on the detection results for application in multi-label learning. Firstly, the data stream is divided into appropriately sized data blocks, and a hybrid extreme learning machine is used on several of the preceding data blocks to obtain the base classifier. Subsequently, the incoming data blocks are processed using the base classifier to calculate the sample mean and variance between the current data and previous data. Based on this result, it is determined whether concept drift has occurred, and the base classifiers within the ensemble model are retrained and adjusted to update the model.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A New Generation of Intelligent Aid Cane for Blindness Based on STM32
Nächstes Kapitel Multipath Angle Characteristic of Air-to-Ground Channels Under Urban Scenario
Literatur
1.
Halstead B, Koh YS, Riddle P, Pechenizkiy M, Bifet A (2023) Combining diverse meta-features to accurately identify recurring concept drift in data streams. ACM Trans Knowl Discov Data 17(8):1–36CrossRef
2.
Han M, Chen Z, Li M, Wu H, Zhang X (2022) A survey of active and passive concept drift handling methods. Comput Intell 38(4):1492–1535CrossRef
3.
Qian K, Min XY, Cheng Y, Min F (2023) Weight matrix sharing for multi-label learning. Pattern Recogn 136:109156CrossRef
4.
Zhang ML, Zhou ZH (2007) ML-KNN: a lazy learning approach to multi-label learning. Pattern Recogn 40(7):2038–2048CrossRef
5.
Xu X, Shan D, Li S, Sun T, Xiao P, Fan J (2019) Multi-label learning method based on ML-RBF and laplacian ELM. Neurocomputing 331:213–219CrossRef
6.
Alzaqebah A, Aljarah I, Al-Kadi O (2023) A hierarchical intrusion detection system based on extreme learning machine and nature-inspired optimization. Comput Secur 124:102957CrossRef
7.
Luo F, Guo W, Yu Y, Chen G (2017) A multi-label classification algorithm based on kernel extreme learning machine. Neurocomputing 260:313–320CrossRef
8.
Wang YB, Pei GS, Cheng YS (2019) Multi-label learning algorithm of an elastic net kernel extreme learning machine. CAAI Trans Intell Syst 04:831–842
9.
Qian M, Tang JK (2019) Multi-label learning based on mixed kernel extreme learning machine. J Chongqing Univ Sci Technol (Nat Sci Edn) 02:79–85
10.
Ren SQ (2018) Research on ensemble classification algorithms of data stream based onconcept drift. Hunan University, PhD dissertation
11.
Zhang N, Ding S, Zhang J (2016) Multi-layer ELM-RBF for multi-label learning. Appl Soft Comput 43:535–545CrossRef
Metadaten
Titel
Application Research of Multi-label Learning Under Concept Drift
verfasst von
Jiakang Tang
Wei Zhou
Hanbing Sun
Copyright-Jahr
2024
Verlag
Springer Nature Singapore
Buch
Communications, Signal Processing, and Systems

Print ISBN: 978-981-9975-55-6

Electronic ISBN: 978-981-9975-02-0

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-981-99-7502-0_44

Neuer Inhalt

    Bildnachweise