| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 单标签数据流分类国内外研究现状 | 第14-15页 |
| 1.2.2 多标签分类国内外研究现状 | 第15页 |
| 1.2.3 多标签数据流分类国内外研究现状 | 第15-16页 |
| 1.3 当前研究中存在的问题 | 第16-17页 |
| 1.4 研究内容与组织结构 | 第17-19页 |
| 1.4.1 研究内容 | 第17页 |
| 1.4.2 论文组织结构 | 第17-19页 |
| 2 分类算法简介 | 第19-32页 |
| 2.1 数据流分类算法简介 | 第19-22页 |
| 2.1.1 增量学习 | 第19-20页 |
| 2.1.2 集成学习 | 第20-21页 |
| 2.1.3 现实工具 | 第21-22页 |
| 2.2 多标签分类算法简介 | 第22-28页 |
| 2.2.1 问题转换 | 第22-25页 |
| 2.2.2 算法适应 | 第25-26页 |
| 2.2.3 评价指标 | 第26-27页 |
| 2.2.4 现实工具 | 第27-28页 |
| 2.3 多标签数据流分类算法简介 | 第28-31页 |
| 2.3.1 评价指标 | 第30-31页 |
| 2.3.2 现实工具 | 第31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 基于快速无监督特征选择的数据流分类算法 | 第32-43页 |
| 3.1 问题定义 | 第32-33页 |
| 3.2 算法基础 | 第33-35页 |
| 3.2.1 无监督特征选择 | 第33-34页 |
| 3.2.2 DXMiner算法 | 第34-35页 |
| 3.3 基于快速无监督特征选择的数据流分类算法 | 第35-38页 |
| 3.3.1 算法基本思想 | 第35页 |
| 3.3.2 两种特征子集快速选择方法 | 第35-37页 |
| 3.3.3 统一特征空间 | 第37页 |
| 3.3.4 分类器训练与更新 | 第37-38页 |
| 3.4 实验及结果分析 | 第38-42页 |
| 3.4.1 特征选择算法性能比较 | 第39-40页 |
| 3.4.2 特征子集的大小对分类效果的影响 | 第40-41页 |
| 3.4.3 分类算法性能对比 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 加权的集成多标签数据流分类算法 | 第43-50页 |
| 4.1 算法基础 | 第43-44页 |
| 4.1.1 ML-KNN算法 | 第43-44页 |
| 4.2 基于集成的加权多标签数据流分类算法 | 第44-47页 |
| 4.2.1 算法基本思想 | 第44页 |
| 4.2.2 算法的训练与更新 | 第44-45页 |
| 4.2.3 权重调节 | 第45-47页 |
| 4.3 实验及结果分析 | 第47-49页 |
| 4.3.1 SWMEC与其基准算法ML-KNN算法的性能比较 | 第47-48页 |
| 4.3.2 SWMEC与SMART算法的性能比较 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 集成大小不限的多标签数据流分类算法 | 第50-55页 |
| 5.1 集成大小不限的加权多标签数据流分类算法 | 第50-51页 |
| 5.1.1 算法基本思想 | 第50页 |
| 5.1.2 算法的训练与更新 | 第50-51页 |
| 5.1.3 权重调节 | 第51页 |
| 5.2 实验及结果分析 | 第51-54页 |
| 5.2.1 SWMUEC与MLKNN、SMART的性能比较 | 第51-52页 |
| 5.2.2 SWMUEC与改进前算法SWMEC的性能比较 | 第52-54页 |
| 5.3 本章小结 | 第54-55页 |
| 6 结论与展望 | 第55-57页 |
| 6.1 研究总结 | 第55-56页 |
| 6.2 工作展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第62-64页 |
| 学位论文数据集 | 第64页 |
