济南大学学报(自然科学版)

基金：国家自然科学基金项目(62366011);; 广西重点研发计划项目(桂科AB21220023);; 广西图像图形与智能处理重点实验室资助项目(GIIP2306)

针对传统深度神经网络因数据流中发生概念漂移而出现分类准确率较低的问题，为了增强深度神经网络模型的学习能力，提出一种用于数据流分类的递归反向传播算法。该算法融合在线梯度下降算法的强大数据流学习能力与递归最小二乘法的快速收敛特性，当数据流发生概念漂移时，首先利用递归最小二乘法逐步训练神经网络模型，达到一个相对稳定的状态后切换至在线梯度下降算法，进一步训练深度神经网络模型，实现更深层次的数据流学习，优化深度神经网络模型的分类性能，并在多个人工数据集和真实数据集中实验验证所提算法的有效性。结果表明：所提算法具有优异的概念漂移适应能力，数据流分类准确率超越仅使用在线梯度下降算法或递归最小二乘法训练神经网络模型的多种算法。

来源：2025年第03期

《济南大学学报(自然科学版)》期刊编辑部

查看济南大学学报(自然科学版)杂志2025年第03期