动态数据流分类方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-16页 |
| ·研究背景及研究意义 | 第8-10页 |
| ·数据挖掘分类背景 | 第9-10页 |
| ·数据流挖掘国内外研究现状 | 第10-13页 |
| ·数据流的实时变化性研究现状 | 第11-12页 |
| ·数据流的海量性分类研究现状 | 第12-13页 |
| ·本文主要研究内容及组织架构 | 第13-15页 |
| ·本章小结 | 第15-16页 |
| 2 数据流分类理论基础 | 第16-27页 |
| ·支持向量机分类器 | 第16-22页 |
| ·支持向量机原理 | 第16-19页 |
| ·核函数 | 第19-20页 |
| ·软间隔支持向量机 | 第20-21页 |
| ·支持向量机的增量式学习 | 第21-22页 |
| ·极端支持向量机分类器及其增量形式 | 第22-24页 |
| ·概念漂移 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 3 数据集的概念相似性理论 | 第27-35页 |
| ·概念相似性的定义 | 第27页 |
| ·概念相似性的度量 | 第27-28页 |
| ·数据分布的划分 | 第28-32页 |
| ·均匀划分法 | 第28-30页 |
| ·利用KDQ树进行划分 | 第30-32页 |
| ·相似度阈值的确定 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 4 基于概念相似性的数据流分类方法 | 第35-48页 |
| ·数据流的动态变化性分析 | 第35页 |
| ·基于概念相似性的半监督分类算法 | 第35-40页 |
| ·实验结果及分析 | 第40-47页 |
| ·人造数据实验结果及分析 | 第41-43页 |
| ·真实数据实验结果及分析 | 第43-47页 |
| ·本章小结 | 第47-48页 |
| 5 基于MapReduce的数据流分类方法 | 第48-60页 |
| ·数据流海量性分析 | 第48页 |
| ·MapReduce框架介绍 | 第48-50页 |
| ·极端支持向量机并行算法 | 第50-51页 |
| ·时间遗忘的鲁棒极端支持向量机 | 第51-54页 |
| ·鲁棒性 | 第51-52页 |
| ·遗忘因子 | 第52-54页 |
| ·实验及结果分析 | 第54-58页 |
| ·本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表学术论文情况 | 第66-67页 |
| 致谢 | 第67-68页 |
