论文部分内容阅读
针对大规模、动态、时变的数据流环境，给出了一种基于内影像记忆网络的人工免疫网络增量学习算法ICainet，当数据增加时，通过计算新添加数据与记忆网络的匹配程度给出不同的增量处理策略，从而使新算法具有动态跟踪不断递增的大规模数据流的增量学习能力．由于新算法已对数据流先进行一定程度的数据压缩并能“记忆以前数据”，因而占用内存空间少、运算代价很低．实验结果表明，在损失较小程度学习质量的前提下，该方法在运行时间上有明显的优势，可满足不同的应用环境需求．