不确定数据流分类算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-28页 |
| 1.1 研究背景及意义 | 第12-16页 |
| 1.1.1 数据流研究的兴起 | 第12-14页 |
| 1.1.2 数据不确定性受到重视 | 第14-15页 |
| 1.1.3 不确定数据流分类的研究意义 | 第15-16页 |
| 1.2 研究现状 | 第16-24页 |
| 1.2.1 数据流分类 | 第16-22页 |
| 1.2.2 不确定数据分类 | 第22-23页 |
| 1.2.3 不确定数据流研究 | 第23-24页 |
| 1.3 本文的研究内容和主要创新点 | 第24-26页 |
| 1.4 论文组织结构 | 第26-28页 |
| 第二章 快速不确定数据流分类算法 | 第28-54页 |
| 2.1 引言 | 第28-29页 |
| 2.2 相关技术 | 第29-31页 |
| 2.2.1 VFDT算法 | 第29页 |
| 2.2.2 叶子结点上的分类策略 | 第29-31页 |
| 2.3 问题定义 | 第31-32页 |
| 2.4 uVFDTc 算法 | 第32-37页 |
| 2.4.1 处理不确定样本 | 第32-33页 |
| 2.4.2 收集充分统计量 | 第33页 |
| 2.4.3 选择分裂属性 | 第33-34页 |
| 2.4.5 构建不确定非常快速决策树算法 | 第34-35页 |
| 2.4.6 对未知不确定样本分类 | 第35-37页 |
| 2.4.7 复杂性分析 | 第37页 |
| 2.5 归纳不确定数值流分布 | 第37-42页 |
| 2.5.1 高斯分布逼近 | 第37-38页 |
| 2.5.2 固定有序箱 | 第38-40页 |
| 2.5.3 等高直方图 | 第40页 |
| 2.5.4 计算期望类条件概率 | 第40-42页 |
| 2.6 实验分析 | 第42-53页 |
| 2.6.1 实验设置 | 第43-44页 |
| 2.6.2 在合成数据集上的实验结果 | 第44-52页 |
| 2.6.3 在真实数据集上的实验结果 | 第52-53页 |
| 2.7 小结 | 第53-54页 |
| 第三章 不确定数据流分位归纳研究 | 第54-77页 |
| 3.1 引言 | 第54-55页 |
| 3.2 相关研究 | 第55页 |
| 3.3 问题定义 | 第55-58页 |
| 3.3.1 数据模型 | 第55-56页 |
| 3.3.2 不确定数据流分位 | 第56-58页 |
| 3.4 不确定数据流分位归纳算法 | 第58-63页 |
| 3.4.1 插入归纳操作 | 第58-61页 |
| 3.4.2 合并归纳操作 | 第61-62页 |
| 3.4.3 分位查询 | 第62页 |
| 3.4.4 在不确定数据流分类中的应用 | 第62-63页 |
| 3.5 复杂性分析 | 第63-66页 |
| 3.5.1 空间复杂性 | 第63-66页 |
| 3.5.2 时间复杂性 | 第66页 |
| 3.6 实验分析 | 第66-71页 |
| 3.6.1 实验设置 | 第66-67页 |
| 3.6.2 分位归纳能力 | 第67-70页 |
| 3.6.3 不确定数据流分类中的应用能力 | 第70-71页 |
| 3.7 小结 | 第71-77页 |
| 第四章 概念漂移不确定数据流分类算法 | 第77-97页 |
| 4.1 引言 | 第77页 |
| 4.2 相关技术与问题定义 | 第77-79页 |
| 4.2.1 模型定义 | 第78页 |
| 4.2.2 uVFDTc 算法 | 第78页 |
| 4.2.3 CVFDT | 第78-79页 |
| 4.2.4 问题定义 | 第79页 |
| 4.3 uCVFDTc 算法 | 第79-87页 |
| 4.3.1 处理不确定样本 | 第80-81页 |
| 4.3.2 收集充分统计量 | 第81页 |
| 4.3.3 选择分裂属性 | 第81-83页 |
| 4.3.4 构建 uCVFDTc 决策树 | 第83-86页 |
| 4.3.5 复杂性分析 | 第86页 |
| 4.3.6 分类未知样本 | 第86-87页 |
| 4.4 实验分析 | 第87-96页 |
| 4.4.1 实验设置 | 第87-88页 |
| 4.4.2 在合成数据集上的实验结果 | 第88-94页 |
| 4.4.3 在真实数据集上的实验结果 | 第94-96页 |
| 4.5 小结 | 第96-97页 |
| 第五章 正例与未标注学习场景下的不确定数据流分类 | 第97-117页 |
| 5.1 引言 | 第97页 |
| 5.2 相关研究 | 第97-98页 |
| 5.2.1 正例与未标注学习 | 第97-98页 |
| 5.2.2 半监督学习 | 第98页 |
| 5.3 问题定义 | 第98-99页 |
| 5.4 puuCVFDT 算法 | 第99-108页 |
| 5.4.1 处理不确定样本 | 第99-101页 |
| 5.4.2 收集充分统计量 | 第101页 |
| 5.4.3 选择分裂属性 | 第101-103页 |
| 5.4.4 构建 puuCVFDT 决策树 | 第103-107页 |
| 5.4.5 选择树 | 第107页 |
| 5.4.6 复杂性分析 | 第107页 |
| 5.4.7 分类未知样本 | 第107-108页 |
| 5.5 实验分析 | 第108-116页 |
| 5.5.1 实验设置 | 第108-110页 |
| 5.5.2 在合成数据集上的结果 | 第110-114页 |
| 5.5.3 在真实数据集上的结果 | 第114-116页 |
| 5.6 小结 | 第116-117页 |
| 第六章 结论与展望 | 第117-119页 |
| 参考文献 | 第119-130页 |
| 致谢 | 第130-131页 |
| 作者简介 | 第131页 |
