摘要 | 第1-12页 |
ABSTRACT | 第12-14页 |
第一章 绪论 | 第14-28页 |
·研究背景 | 第14-18页 |
·应用需求 | 第14-15页 |
·异构数据的映射问题 | 第15-18页 |
·研究现状 | 第18-22页 |
·关键技术研究 | 第19-20页 |
·著名研究项目 | 第20-22页 |
·研究现状的总结和分析 | 第22页 |
·本文工作与创新点 | 第22-25页 |
·主要研究内容 | 第22-24页 |
·主要创新点 | 第24-25页 |
·论文结构 | 第25-28页 |
第二章 面向异构表模式的多策略模式映射方法 | 第28-44页 |
·问题的提出及形式化描述 | 第28-30页 |
·问题的提出 | 第28-29页 |
·形式化描述 | 第29-30页 |
·基于机器学习的模式映射方法 | 第30-35页 |
·样本学习 | 第31-32页 |
·映射关系产生 | 第32-33页 |
·多策略学习方法 | 第33-35页 |
·一种基于数据实例的多策略模式映射方法(MSMA) | 第35-37页 |
·针对单学习器的改进 | 第35-36页 |
·基于Stacking 的多策略学习算法改进 | 第36-37页 |
·实验结果与分析 | 第37-43页 |
·实验环境 | 第38-39页 |
·单学习器性能比较 | 第39-41页 |
·与LSD 方法的比较 | 第41-43页 |
·算法局限性分析 | 第43页 |
·本章小结 | 第43-44页 |
第三章 异构数据字典之间的元组实例匹配方法 | 第44-68页 |
·问题的提出及形式化描述 | 第44-46页 |
·问题的提出 | 第44-45页 |
·形式化描述 | 第45-46页 |
·相关研究 | 第46-52页 |
·关键字自动提取 | 第47-48页 |
·字符串距离度量 | 第48-52页 |
·一种面向大规模的整体元组实例匹配方法(HIMA) | 第52-61页 |
·基于最大熵模型的描述精简 | 第53-57页 |
·基于条件概率分布的实例相似度度量 | 第57-59页 |
·基于聚类算法的实例匹配 | 第59-61页 |
·实验结果与分析 | 第61-65页 |
·实验环境 | 第61-62页 |
·关键词提取分析 | 第62-63页 |
·字符串距离度量分析 | 第63-64页 |
·数据实例匹配结果 | 第64-65页 |
·本章小结 | 第65-68页 |
第四章 运行时数据语义冲突的检测 | 第68-88页 |
·问题的提出及形式化描述 | 第68-70页 |
·问题的提出 | 第68-69页 |
·形式化描述 | 第69-70页 |
·一般基于学习的失效映射检测方法 | 第70-73页 |
·样本训练 | 第70-72页 |
·失效映射检测 | 第72-73页 |
·一种基于模糊聚集算子的失效映射检测方法(BSDM) | 第73-80页 |
·学习器设计 | 第74-75页 |
·基于析取加权的融合方法 | 第75-77页 |
·基于变权的人工数据融合方法 | 第77-80页 |
·实验结果与分析 | 第80-85页 |
·实验环境 | 第80-81页 |
·各组成部分对方法影响分析 | 第81-83页 |
·与Maveric 方法比较 | 第83-85页 |
·缺陷分析 | 第85页 |
·本章小结 | 第85-88页 |
第五章 异构数据集成平台实现及其应用 | 第88-100页 |
·数据集成平台StarEAI+ | 第88-91页 |
·体系结构 | 第88-89页 |
·异构数据集成过程 | 第89-91页 |
·主要功能实现 | 第91-93页 |
·异构模式映射模块 | 第91-92页 |
·实例匹配模块 | 第92-93页 |
·运行时映射失效检测模块 | 第93页 |
·StarEAI+的应用 | 第93-99页 |
·应用案例分析 | 第93-94页 |
·应用案例框架结构 | 第94-96页 |
·案例特点 | 第96页 |
·性能影响 | 第96-99页 |
·本章小结 | 第99-100页 |
第六章 结束语 | 第100-102页 |
·论文研究的总结 | 第100-101页 |
·进一步的工作 | 第101-102页 |
致谢 | 第102-104页 |
参考文献 | 第104-114页 |
作者在学期间取得的学术成果 | 第114-116页 |