| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题背景和研究意义 | 第9-10页 |
| 1.2 课题研究现状 | 第10-12页 |
| 1.3 论文的主要工作 | 第12-13页 |
| 1.4 论文的章节安排 | 第13-15页 |
| 第二章 相关背景知识介绍 | 第15-27页 |
| 2.1 高斯混合模型(GMM) | 第15-17页 |
| 2.1.1 单高斯模型 | 第15页 |
| 2.1.2 GMM | 第15-17页 |
| 2.2 狄利克雷过程混合模型 | 第17-22页 |
| 2.2.1 狄利克雷分布 | 第17-18页 |
| 2.2.2 狄利克雷过程 | 第18页 |
| 2.2.3 狄利克雷过程的构造方式 | 第18-21页 |
| 2.2.4 狄利克雷过程混合模型(DPMM) | 第21-22页 |
| 2.3 集成单类分类方法 | 第22-23页 |
| 2.4 性能评估方法 | 第23-25页 |
| 2.5 数据集介绍 | 第25-27页 |
| 第三章 基于高斯混合模型的非均衡数据分类算法 | 第27-37页 |
| 3.1 SMOTE算法 | 第27-28页 |
| 3.2 GMM-Naive Bayes分类算法 | 第28-33页 |
| 3.2.1 基于GMM的过采样算法 | 第28-32页 |
| 3.2.2 朴素贝叶斯算法分类预测 | 第32-33页 |
| 3.3 实验结果与分析 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 非均衡数据的集成单类分类算法 | 第37-46页 |
| 4.1 单类学习算法 | 第37-38页 |
| 4.1.1 SVDD算法 | 第37-38页 |
| 4.1.2 One-Class SVM算法 | 第38页 |
| 4.2 集成GMM-SVDD单类分类算法 | 第38-42页 |
| 4.2.1 基于GMM的多数类样本聚类 | 第39-40页 |
| 4.2.2 基于SVDD算法的模型边界训练 | 第40-41页 |
| 4.2.3 基单类分类器集成 | 第41-42页 |
| 4.3 仿真实验及结果分析 | 第42-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 基于狄利克雷过程混合模型的非均衡数据分类算法 | 第46-57页 |
| 5.1 Collapsed Gibbs采样 | 第46-47页 |
| 5.2 基于DPMM的过采样算法 | 第47-52页 |
| 5.2.1 DPMM聚类算法 | 第47-52页 |
| 5.2.2 少数类样本过采样 | 第52页 |
| 5.3 仿真实验及结果分析 | 第52-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 全文总结 | 第57-58页 |
| 6.2 未来展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第62-63页 |
| 附录2 攻读硕士学位期间申请的专利 | 第63-64页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第64-65页 |
| 致谢 | 第65页 |