基于深度学习的高维数据流新类别识别与动态不平衡处理方法

基于深度学习的非稳态高维数据流中新类别识别与动态不平衡处理方法，包括：对输入数据流进行预处理，假设数据流为高维向量流，对每个数据样本进行标准化或归一化；基于卷积神经网络构建特征编码器，对数据流的高维样本进行特征提取，并生成特征表示；利用原型集成分类框架，通过维护每个类别的原型来进行分类，并根据新输入样本的距离进行类别判定；通过特征校正机制动态更新原型集，使得原型能更好地表示当前的类别分布；在分类过程中，通过马氏距离计算实现新类别检测，若样本与现有类别的距离超过设定阈值，则将该样本判定为新类别，并动态扩展原型集；采用标签分布感知的边缘损失函数，依据类别样本数量自适应调整损失边缘大小；利用延迟重新平衡优化策略，在初期训练时使用标准经验风险最小化方法，后期训练时切换至LDAM损失函数，对少数类别重新加权优化模型性能。