| 摘要 | 第1-6页 |
| ABSTRACT | 第6-12页 |
| 第一章 绪论 | 第12-27页 |
| ·研究背景和意义 | 第12-15页 |
| ·类别不平衡数据集的分类方法国内外研究现状 | 第15-21页 |
| ·类别不平衡数据集分类的难点 | 第15-16页 |
| ·类别不平衡数据集的分类方法概述 | 第16-20页 |
| ·类别不平衡数据集的分类方法评价标准概述 | 第20-21页 |
| ·误分类代价不等的数据集分类方法国内外研究现状 | 第21-22页 |
| ·有色冶金过程中类别不平衡学习和代价敏感学习的需求 | 第22-24页 |
| ·本论文的研究内容和结构安排 | 第24-27页 |
| 第二章 类别不平衡和误分类代价不等的数据集分类方法基础 | 第27-50页 |
| ·类别不平衡数据集的分类方法 | 第27-32页 |
| ·重采样方法 | 第27-29页 |
| ·单类分类学习 | 第29-30页 |
| ·类别不平衡的数据集分类方法评价标准 | 第30-32页 |
| ·误分类代价不等的数据集分类方法 | 第32-35页 |
| ·代价类型 | 第33-34页 |
| ·代价敏感学习 | 第34-35页 |
| ·主动学习 | 第35-38页 |
| ·主动代价敏感学习 | 第37-38页 |
| ·特征选择 | 第38-41页 |
| ·有色冶金过程中操作模式集的特点 | 第41-49页 |
| ·操作模式描述 | 第42-43页 |
| ·操作模式集中存在的问题 | 第43-45页 |
| ·操作模式分类的假设 | 第45-46页 |
| ·有色冶金过程的操作模式分类流程图 | 第46-49页 |
| ·本章小结 | 第49-50页 |
| 第三章 相对类别不平衡的代价敏感概率神经网络 | 第50-66页 |
| ·贝叶斯决策 | 第51-53页 |
| ·PARZEN窗函数 | 第53-54页 |
| ·基于密度函数核估计的概率神经网络 | 第54-55页 |
| ·基于密度函数混合高斯分布估计的概率神经网络 | 第55-57页 |
| ·代价敏感概率神经网络 | 第57-59页 |
| ·实验与分析 | 第59-65页 |
| ·本章小结 | 第65-66页 |
| 第四章 极端类别不平衡的支持向量数据描述 | 第66-77页 |
| ·支持向量数据描述 | 第66-69页 |
| ·粒子群优化算法 | 第69-70页 |
| ·基于粒子群优化和滑动窗口的支持向量数据描述 | 第70-72页 |
| ·实验与分析 | 第72-76页 |
| ·本章小结 | 第76-77页 |
| 第五章 类别不平衡和噪音特征的代价敏感支持向量机 | 第77-103页 |
| ·代价敏感支持向量机 | 第77-86页 |
| ·支持向量机 | 第77-80页 |
| ·代价敏感支持向量机 | 第80-81页 |
| ·间隔校正的代价敏感支持向量机 | 第81-86页 |
| ·基于粒子群优化的代价敏感支持向量机 | 第86-88页 |
| ·基于同步优化的间隔校正的代价敏感支持向量机 | 第88-90页 |
| ·离散版的粒子群优化算法 | 第88页 |
| ·基于同步优化的间隔校正的代价敏感支持向量机 | 第88-90页 |
| ·实验与分析 | 第90-102页 |
| ·基于粒子群优化的代价敏感支持向量机 | 第91-98页 |
| ·基于同步优化的间隔校正的代价敏感支持向量机 | 第98-102页 |
| ·本章小结 | 第102-103页 |
| 第六章 类别不平衡和标注代价昂贵的主动自训练代价敏感学习 | 第103-116页 |
| ·主动代价敏感学习图 | 第104页 |
| ·不确定性采样 | 第104-105页 |
| ·代价敏感分类器 | 第105-106页 |
| ·主动自训练代价敏感学习 | 第106-108页 |
| ·近似正确理论分析 | 第106-107页 |
| ·基于不确定性采样的自训练代价敏感支持向量机 | 第107-108页 |
| ·实验与分析 | 第108-115页 |
| ·本章小结 | 第115-116页 |
| 第七章 结论与展望 | 第116-119页 |
| ·结论 | 第116-117页 |
| ·展望 | 第117-119页 |
| 参考文献 | 第119-133页 |
| 致谢 | 第133-134页 |
| 攻读博士学位期间主要的研究成果 | 第134-135页 |
