طبقه‌بندی داده¬های جریانی مبتنی بر مدل مخفی مارکوف

چکیده مقاله

داده‌های جریانی، داده‌هایی هستند که به مرور زمان و در حجم زیاد تولید می‌شوند و همواره به‌صورت پویا در حال تغییر و تحول هستند. هدف این مطالعه طبقه­بندی داده­های جریانی با در نظر گرفتن وابستگی زمانی است، تا به توان مدل را در هر لحضه به روزرسانی کرد؛ در این زمینه دو تحقیق انجام شده که در آن­ها با در نظر گرفتن وابستگی زمانی درجه یک دقت طبقه­بند افزایش یافته است؛ بنابراین چالش پیش­رو ارائه مدلی است که بتواند به­روزرسانی شود و افزایش دقت طبقه­بندی است. در این راستا روشی ارائه شده که با در نظر گرفتن وابستگی زمانی مبتنی بر مدل مخفی مارکوف به طبقه­بندی داده­های جریانی پرداخته است؛ به این منظور مدل مخفی مارکوف با الگوریتم بام ولش آموزش یافت، سپس طبقه داده­های ورودی بر اساس الگوریتم پیش­رو تعیین گردید. الگوریتم پیشنهادی بر روی مجموعه داده الکتریسیته دقت0.85%، کاورتایپ دقت 0.82%، ازون دقت 0.83% و شناسایی نفوذ دقت 0.92% را کسب کرد. روش پیشنهادی بر اساس معیارهای دقت، صحت و فراخوانی با روش­های اصلاح زمانی، زمانی افزوده مورد بررسی قرار گرفت؛ نتایج نشان داد طبقه بندهایی که وابستگی زمانی را در نظر می‌گیرند نسبت به سایر طبقه بندها از جمله شبکه بیزین دارای نتایج بهتری در طبقه‌بندی داده‌های جریانی هستند، همچنین از بین طبقه بندهای اصلاح زمانی، زمانی افزوده و مدل مخفی مارکوف، طبقه بند HMM بهترین نتایج را دریافت کرد، زیرا HMM یک مدل احتمالی رفتاری است و بر اساس حالات مخفی تاثیر عوامل ناشناخته برداده‌ها را در نظر می‌گیرد.

دریافت لینک دانلود مقاله