| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题背景和研究目的 | 第8页 |
| 1.2 流量分类方法概述 | 第8-10页 |
| 1.2.1 流量分类基本概念 | 第8-9页 |
| 1.2.2 流量分类技术的发展现状 | 第9-10页 |
| 1.2.3 四种流量分类方法的比较 | 第10页 |
| 1.3 论文章节安排 | 第10-12页 |
| 第二章 基于机器学习的流量分类方法和特征选择技术 | 第12-16页 |
| 2.1 流量分类方法的选择 | 第12页 |
| 2.1.1 电力信息通信网对流量分类技术的需求 | 第12页 |
| 2.1.2 流量分类方法的选择 | 第12页 |
| 2.2 基于机器学习的流量分类方法 | 第12-14页 |
| 2.2.1 无监督机器学习方法 | 第12-13页 |
| 2.2.2 有监督机器学习方法 | 第13-14页 |
| 2.3 特征选择 | 第14-15页 |
| 2.3.1 特征选择的定义 | 第14-15页 |
| 2.3.2 特征选择在机器学习分类算法中的应用 | 第15页 |
| 2.4 本章小结 | 第15-16页 |
| 第三章 机器学习算法的分类性能以及特征选择方法的选择 | 第16-46页 |
| 3.1 C4.5决策树算法 | 第16-25页 |
| 3.1.1 C4.5决策树算法原理 | 第16-17页 |
| 3.1.2 C4.5算法分类性能 | 第17-18页 |
| 3.1.3 与C4.5算法相适应的特征选择方法 | 第18-25页 |
| 3.2 朴素贝叶斯分类器 | 第25-33页 |
| 3.2.1 朴素贝叶斯分类器原理 | 第25页 |
| 3.2.2 NBC算法的分类性能 | 第25-26页 |
| 3.2.3 与NBC算法相适应的特征选择方法 | 第26-33页 |
| 3.3 支持向量机 | 第33-45页 |
| 3.3.1 支持向量机原理 | 第33-34页 |
| 3.3.2 与SVM相适应的特征选择方法 | 第34-42页 |
| 3.3.3 g参数和C参数对SVM算法分类性能的影响 | 第42-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于CIG和CGR的特征选择方法 | 第46-57页 |
| 4.1 CIG与CGR特征选择的原理 | 第46页 |
| 4.2 CIG特征选择方法在机器学习分类算法中的性能 | 第46-51页 |
| 4.2.1 CIG在C4.5决策树算法中的性能 | 第46-48页 |
| 4.2.2 CIG在NBC算法中的性能 | 第48-49页 |
| 4.2.3 CIG在SVM算法中的性能 | 第49-51页 |
| 4.3 CGR特征选择方法在机器学习分类算法中的性能 | 第51-55页 |
| 4.3.1 CGR在C4.5算法中的性能 | 第51-52页 |
| 4.3.2 CGR在NBC算法中的性能 | 第52-53页 |
| 4.3.3 CGR在SVM算法中的性能 | 第53-55页 |
| 4.4 CIG与CGR性能比较 | 第55页 |
| 4.5 本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-58页 |
| 5.1 研究工作的总结 | 第57页 |
| 5.2 未来工作的展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-61页 |
| 攻读硕士学位期间的研究成果 | 第61页 |
