流数据的爆炸式增长为特征学习方法带来挑战，包括线性判别分析（LDA）。 许多现有的LDA算法效率不高，不足以按顺序以各种方式到达的样本进行增量更新。 首先，我们提出了一种新的快速批处理LDA（FLDA / QR）学习算法，该算法使用聚类中心求解下三角系统，并通过Cholesky分解对其进行了优化。 为了利用矩阵的内在增量机制，我们进一步开发了一种精确的增量算法（IFLDA / QR）。 与大多数现有方法的排名第一的QR更新相比，在IFLDA / QR中进行正交化的Gram-Schmidt过程显着

在大数据时代，传感器网络，社交网络，互联网等不断且快速地生成大量数据。从大数据流中学习知识是一项重要任务，因为它可以支持在线决策。 预测是有用的学习任务之一，但是固定模型通常不能很好地工作，因为数据分布会随时间而变化。 本文提出了一种基于演化贝叶斯网络的流数据预测方法。 贝叶斯网络模型是基于高斯混合模型和EM算法来推导的。 为了支持基于流数据的演化模型结构和参数，提出了一种演化爬山算法，该算法基于到达新数据时分数度量的增量计算。 实验评估表明，该方法是有效的，并且优于流式数据预测的其他流行方法。