基于在线序贯前置干涉层的集成学习分类方法及装置

本发明提供的基于在线序贯前置干涉层的集成学习分类方法及装置，涉及数据流分类技术领域。本发明通过获取历史振动序贯数据，并实时获取在线振动序贯数据；设计由多个异构基分类器组成的集成分类器；所述基分类器为四层前馈神经网络模型，通过在OS‑ELM网络的输入层与隐藏层之间增加一干涉层，以实现对在线序贯样本的非线性核映射；基于获取的历史振动序贯数据与在线振动序贯数据分别对所述集成分类器的每个所述基分类器进行初始化学习与在线序贯学习；基于所述集成分类器，对新获取的在线振动序贯数据进行分类预测。本发明能够有效解决动态数据流中的概念漂移与类别不平衡问题，提升模型对少数类样本的识别能力和对数据分布变化的适应性。