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过程显着节省了空间和时间。 IFLDA / QR能够处理流数据。包含1)现有类别中的新标记样本,2),全新(新颖)类别的样本,更重要的是,3)大量示例与1中的样本混合)和.2)。 理论分析和数值实验都证明,与现有技术相比,其空间和时间成本要低得多(快2到10倍),并且具有可比的分类精度。