首页--工业技术论文--无线电电子学、电信技术论文--电视论文--电视:按功能、用途分论文--电脑电视论文

基于机器学习的TPTV用户报障预测算法研究

摘要第4-5页
Abstract第5-6页
第一章 绪论第9-15页
    1.1 课题研究背景与意义第9-11页
    1.2 国内外研究现状第11-12页
    1.3 研究内容与技术难点第12-13页
    1.4 论文内容安排第13-15页
第二章 相关背景知识第15-24页
    2.1 特征选择第15-18页
        2.1.1 过滤式特征选择算法第16-17页
        2.1.2 包裹式特征选择算法第17-18页
        2.1.3 嵌入式特征选择算法第18页
    2.2 特征选择算法的比较第18-19页
    2.3 集成学习算法第19-22页
        2.3.1 Bagging算法第20-21页
        2.3.2 Boosting算法第21-22页
    2.4 Bagging与Boosting的比较第22页
    2.5 其他学习算法第22-23页
    2.6 本章小结第23-24页
第三章 基于F-Score与互信息的Relief特征选择算法第24-36页
    3.1 Relief特征选择算法第24-26页
    3.2 线性判别分析与Fisher Score第26-29页
    3.3 互信息第29页
    3.4 基于F-Score与互信息的Relief特征选择算法第29-31页
    3.5 实验结果及分析第31-34页
        3.5.1 实验数据描述第31-32页
        3.5.2 实验结果分析第32-34页
    3.6 本章小结第34-36页
第四章 基于权重限制与F_1值的AdaBoost算法第36-50页
    4.1 AdaBoost算法第36-38页
    4.2 前向分步模型与AdaBoost第38-40页
    4.3 基于权重限制与F_1值的AdaBoost算法第40-43页
        4.3.1 基于权重限制的AdaBoost权重更新改进第40-41页
        4.3.2 基于F_1值与分类错误率的AdaBoost损失函数改进第41-42页
        4.3.3 基于权重限制与F_1值的AdaBoost算法第42-43页
    4.4 实验结果及分析第43-48页
        4.4.1 不同基础分类器数量比较第44-47页
        4.4.2 不同基础分类器类型比较第47页
        4.4.3 与其他分类算法比较第47-48页
    4.5 本章小结第48-50页
第五章 IPTV用户报障预测算法第50-61页
    5.1 IPTV系统介绍第50-52页
    5.2 IPTV数据分析第52-54页
        5.2.1 数据字段第52-53页
        5.2.2 用户报障数据分析第53-54页
    5.3 预测算法实验第54-56页
    5.4 算法结果分析第56-60页
        5.4.1 特征分类结果第56页
        5.4.2 不同基础分类器数量比较第56-59页
        5.4.3 不同基础分类器类型比较第59页
        5.4.4 与其他分类器比较第59-60页
    5.5 本章小结第60-61页
第六章 总结与展望第61-63页
    6.1 本文工作总结第61-62页
    6.2 展望第62-63页
参考文献第63-66页
附录1 攻读硕士学位期间撰写的论文第66-67页
附录2 攻读硕士学位期间参加的科研项目第67-68页
致谢第68页

论文共68页,点击 下载论文
上一篇:概念性水文模型参数率定及滚动预报修正研究
下一篇:上海市学前儿童家庭晚餐谈话研究