طبقه‌بندی جریان‌های داده‌ای در دنیای واقعی، به‌دلیل بروز هم‌زمان رانش مفهوم، داده‌های نامتوازن و محدودیت در دسترسی به داده‌های برچسب‌خورده، همچنان یکی از چالش‌های اساسی یادگیری ماشین است. روش‌های موجود در یادگیری نیمه‌نظارتی معمولاً تنها یکی از این چالش‌ها را پوشش داده‌اند. در این پژوهش، یک چارچوب یادگیری فعال نیمه‌نظارتی مبتنی بر شبکه عصبی تابع پایه شعاعی (RBFNN) برای طبقه‌بندی جریان‌های داده‌ای در حضور هم‌زمان رانش مفهوم و داده‌های نامتوازن ارائه شده است. در چارچوب پیشنهادی، از مکانیزم پنجره لغزان برای نگهداری داده‌های جدید و حذف تدریجی داده‌های قدیمی استفاده می‌شود تا مدل با توزیع جاری داده‌ها سازگار بماند. سپس، راهبرد یادگیری فعال مبتنی بر ترکیب معیارهای عدم‌قطعیت و چگالی، نمونه‌های دارای بیشترین ارزش اطلاعاتی را برای برچسب‌گذاری انتخاب می‌کند و ضمن کاهش هزینه برچسب‌گذاری، کیفیت آموزش را افزایش می‌دهد. همچنین، برای بهره‌گیری از داده‌های بدون برچسب، از مکانیزم برچسب‌گذاری هموار مبتنی بر شباهت در فضای ویژگی استفاده شده است. در بخش مدل‌سازی، ساختار RBFNN با مکانیزم تنظیم تطبیقی مراکز و به‌روزرسانی پویا برای سازگاری با رانش مفهوم توسعه یافته است. مراکز اولیه نورون‌های RBF با نسخه بهبودیافته الگوریتم K-means++ مقداردهی اولیه شده و سپس متناسب با داده‌های جدید به‌صورت آنلاین بازتنظیم می‌شوند. علاوه بر این، برای مقابله با داده‌های نامتوازن، روشی برای تولید نمونه‌های مصنوعی مبتنی بر ترکیب وزن‌دار نمونه‌های کلاس اقلیت و دنباله آشوبی Logistic Map ارائه شده است که تنوع نمونه‌های تولیدشده را افزایش می‌دهد. همچنین، از تابع خطای Focal Loss وزن‌دار برای افزایش حساسیت مدل نسبت به نمونه‌های دشوار و تنظیم پویای وزن کلاس‌ها استفاده شده و پارامترهای شبکه با الگوریتم Adam بهینه‌سازی می‌شوند. نتایج ارزیابی نشان می‌دهد که ترکیب یادگیری فعال، تنظیم تطبیقی مراکز RBF، برچسب‌گذاری نیمه‌نظارتی و مکانیزم‌های مقابله با رانش مفهوم و عدم تعادل داده‌ها، عملکرد مدل را در طبقه‌بندی جریان‌های داده‌ای بهبود می‌دهد. همچنین، روش پیشنهادی در مقایسه با روش‌های SSALD، SSALE-EIS، AACE-DI،LEPID و CBAL عملکرد بهتری داشته و به‌طور میانگین ۴ درصد بهبود در معیار F1-score، ۳ درصد بهبود در معیار G-Mean و ۲٫۵ درصد بهبود در معیار Specificity به دست آورده است که بیانگر کارایی و پایداری مناسب چارچوب پیشنهادی در شرایط واقعی است.