何，榆林;蒋洁;戴德新;科洛洪·法布里奇 用于数据流计算的增量核密度估计器。 （英语） Zbl 1506.62274号 复杂性 2020年，文章ID 1803525，17 p.（2020）. 小结：概率密度函数(p.d.f.公司。)估计在数据挖掘领域中起着非常重要的作用。核密度估计（KDE）是估计未知量最常用的技术p.d.f.公司。对于给定的数据集。现有KDE在处理p.d.f.公司。流数据的估计问题，因为必须根据当前数据和新数据的组合重新训练一个全新的KDE。这个过程增加了训练时间，浪费了计算资源。本文提出了一种增量核密度估计（I-KDE），它处理p.d.f.公司。数据流计算中的估计问题。I-KDE使用新数据动态、逐步地更新当前KDE，而不是使用当前数据和新数据的组合重新训练全新KDE。理论分析证明了I-KDE的收敛性p.d.f.公司。新数据的真实性p.d.f公司为了保证I-KDE的收敛性，提出了一种新的基于无偏交叉验证（UCV）方法的多元不动点迭代算法来确定KDE的最优带宽。对10个单变量和4个多变量概率分布的实验结果证明了I-KDE的可行性和有效性。 MSC公司： 62G07年 密度估算 62G05型 非参数估计 62甲12 多元分析中的估计 软件：科恩平滑;脓疱病 PDF格式BibTeX公司 XML格式引用 \textit{Y.He}等人，《复杂性2020》，文章ID 1803525，17 p.（2020；Zbl 1506.62274） 全文： 内政部 OA许可证 参考文献： [1] Silverman，B.W.，《统计和数据分析密度估计》（1986），佛罗里达州博卡拉顿，美国：CRC出版社，佛罗里达州波卡拉顿·Zbl 0617.62042号 [2] 约翰，G.H。；Langley，P.，估计贝叶斯分类器中的连续分布，第十一届人工智能不确定性会议论文集 [3] 阿扎里尼，A。；Torelli，N.，通过非参数密度估计进行聚类，统计与计算，17，1，71-80（2007）·doi:10.1007/s11222-006-9010-y [4] 彭，H.C。；长，F。；丁，C.，基于最大依赖、最大相关和最小冗余的互信息准则的特征选择，IEEE模式分析与机器智能学报，27，8，1226-1238（2005）·doi:10.1109/tpami.2005.159 [5] A.哈维。；Oryshchenko，V.，时间序列数据的核密度估计，国际预测杂志，28，1，3-14（2012）·doi:10.1016/j.ij预测2011.02.016 [6] 波佐斯，B。；熊，L。；萨瑟兰，D.J。；Schneider，J.，图像分类的非参数核估计，2012年IEEE计算机视觉和模式识别会议论文集 [7] Parzen，E.，关于概率密度函数和模式的估计，《数理统计年鉴》，33，3，1065-1076（1962）·Zbl 0116.11302号 ·doi:10.1214/aoms/1177704472 [8] Wand，M.P。；Jones，M.C.，Kernel Smoothing（1994），英国伦敦：查普曼和霍尔，英国伦敦 [9] Silverman，B.W.，《统计和数据分析密度估计》（2018年），英国阿宾顿：英国阿宾登劳特利奇·Zbl 0617.62042号 [10] Faraway，J.J。；Jhun，M.，密度估计中带宽的Bootstrap选择，美国统计协会杂志，85，412，1119-1122（1990）·doi:10.1080/01621459.1990.10474983 [11] Bowman，A.W.，密度估计平滑的交叉验证替代方法，Biometrika，71，2，353-360（1984）·doi:10.1093/biomet/71.2.353 [12] Sain，S.R。；巴格利，K.A。；Scott，D.W.，多元密度的交叉验证，美国统计协会杂志，89，427，807-817（1994）·Zbl 0805.62059号 ·doi:10.1080/01621459.1994.10476814 [13] L.A.Alexandre，一维数据核带宽选择的求解方程方法，2008，doi:10.1.1.309.4041 [14] Delaigle，A。；Gijbels，I.，从污染样本中估计核密度的Bootstrap带宽选择，统计数学研究所年鉴，56，1，19-47（2004）·Zbl 1050.62038号 ·doi:10.1007/bf02530523 [15] Duong，T。；Hazelton，M.L.，多元核密度估计的交叉验证带宽矩阵，《斯堪的纳维亚统计杂志》，32，3，485-506（2005）·Zbl 1089.62035号 ·doi:10.1111/j.1467-9469.2005.00445.x [16] Wang，J.M。；Yang，R.U。；陈，Y。；Xu，Y.X.，求解基于余弦核函数的方程核密度估计方法，哈尔滨科技大学学报，21，114-117（2016） [17] Nasereddin，H.H.，流数据挖掘，《国际Web应用杂志》，3，2，90-97（2011） [18] He，H.B。；陈，S。；李凯。；Xu，X.，从流数据中进行增量学习，IEEE神经网络汇刊，22，121901-1914（2011）·doi:10.1109/tnn.2011.2169087 [19] 姜杰。；何永乐。；Dai，D.X。；Huang，J.Z.，基于数据集最小熵的新核密度估计，信息科学，491221-231（2019）·Zbl 1454.62118号 ·doi:10.1016/j.ins.2019.04.010 [20] Pérez-Cruz，F.，连续分布的Kullback-Leibler散度估计，2008年IEEE信息理论国际研讨会论文集 [21] Demšar，J.，多数据集上分类器的统计比较，机器学习研究杂志，7，1-30（2006）·Zbl 1222.68184号 [22] Salloum，S。；Huang，J.Z.，黄建中。；何毅，《随机样本划分：大数据分析的分布式数据模型》，IEEE工业信息学报，15，11，5846-5854（2019）·doi:10.1109/tii.2019.2912723 [23] Salloum，S。；Huang，J.Z.，黄建中。；何永乐。；Chen，X.J.，《大数据分析的渐进集成学习框架》，IEEE Access，73675-3693（2018）·doi:10.1109/access.2018.2889355 [24] 乌尔·雷赫曼，M.H。；Liew，C.S。；阿巴斯。；贾亚拉曼，P.P。；Wah，T.Y。；Khan，S.U.，《大数据缩减方法：调查》，数据科学与工程，1，4，265-284（2016）·doi:10.1007/s41019-016-0022-0 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。