| 摘要 | 第4-7页 |
| Abstract | 第7-10页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 引言 | 第14-15页 |
| 1.2 非均衡数据分类问题研究内容及现状 | 第15-19页 |
| 1.2.1 重采样技术 | 第16-17页 |
| 1.2.2 经典分类算法改进技术 | 第17-18页 |
| 1.2.3 非均衡数据分类性能影响因素探讨 | 第18-19页 |
| 1.3 本文研究主要内容 | 第19-22页 |
| 第2章 相关技术 | 第22-38页 |
| 2.1 误差反向传播神经网络算法 | 第22-23页 |
| 2.2 基于最小分类错误率贝叶斯决策 | 第23-24页 |
| 2.3 k 最近邻算法 | 第24-25页 |
| 2.4 支持向量机算法 | 第25-27页 |
| 2.5 主成份分析算法 | 第27-29页 |
| 2.6 集成学习模型 | 第29-33页 |
| 2.6.1 集成学习模型概述 | 第29-32页 |
| 2.6.2 Bagging 集成学习模型 | 第32-33页 |
| 2.6.3 选择集成学习模型 | 第33页 |
| 2.7 分类器性能评估方法 | 第33-37页 |
| 2.7.1 二类别分类器性能评估方法 | 第34-36页 |
| 2.7.2 多类别分类器性能评估方法 | 第36-37页 |
| 2.8 本章小结 | 第37-38页 |
| 第3章 非均衡数据重采样集成学习模型研究 | 第38-58页 |
| 3.1 模型框架 | 第38-39页 |
| 3.2 非均衡数据重采样集成学习模型 | 第39-41页 |
| 3.3 重采样规模确定模型 | 第41-43页 |
| 3.4 在 UCI 数据集上的应用 | 第43-57页 |
| 3.4.1 数据集及实验设置 | 第43-45页 |
| 3.4.2 二分类数据集重采样规模参数确定模型结果与分析 | 第45-56页 |
| 3.4.3 多类别重采样集成学习模型结果与分析 | 第56-57页 |
| 3.5 本章小结 | 第57-58页 |
| 第4章 特征提取集成学习模型及在废水监测状态诊断上的应用 | 第58-72页 |
| 4.1 应用背景 | 第58页 |
| 4.2 研究现状 | 第58-59页 |
| 4.3 特征提取集成学习模型 | 第59-62页 |
| 4.3.1 最佳样本集构建和因子分析 | 第61页 |
| 4.3.2 选择集成分类模型 | 第61-62页 |
| 4.4 实验数据与分析 | 第62-71页 |
| 4.4.1 实验数据 | 第62-64页 |
| 4.4.2 最佳主元数选取与因子分析 | 第64-67页 |
| 4.4.3 选择集成分类模型性能分析 | 第67-71页 |
| 4.5 本章小结 | 第71-72页 |
| 第5章 BSV‐BP 算法及其在废水处理活性污泥质量分类上的应用 | 第72-86页 |
| 5.1 应用背景 | 第72-73页 |
| 5.2 研究现状 | 第73-74页 |
| 5.3 BSV‐BP 分类模型 | 第74-78页 |
| 5.3.1 均衡训练集构建 | 第74-76页 |
| 5.3.2 BSV‐BP 分类模型 | 第76-77页 |
| 5.3.3 分类器性能评估模型 | 第77-78页 |
| 5.4 实验数据及分析 | 第78-85页 |
| 5.4.1 数据集 | 第78-81页 |
| 5.4.2 参数优化 | 第81-84页 |
| 5.4.3 结果与分析 | 第84-85页 |
| 5.5 本章小结 | 第85-86页 |
| 第6章 进化支持向量机模型及在流域水质评估中的应用 | 第86-94页 |
| 6.1 应用背景 | 第86-87页 |
| 6.2 进化支持向量机模型 | 第87-89页 |
| 6.3 实验数据与分析 | 第89-92页 |
| 6.3.1 实验数据 | 第89-90页 |
| 6.3.2 SVM 最佳参数选取 | 第90-92页 |
| 6.3.3 结果与讨论 | 第92页 |
| 6.4 本章小结 | 第92-94页 |
| 第7章 总结和展望 | 第94-96页 |
| 7.1 本文工作总结 | 第94-95页 |
| 7.2 本文工作展望 | 第95-96页 |
| 参考文献 | 第96-110页 |
| 作者简介及在学期间所取得的科研成果 | 第110-112页 |
| 致谢 | 第112页 |
