| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-20页 |
| 1.1 课题的研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 高维数据流降维技术研究现状 | 第11-12页 |
| 1.2.2 数据流聚类算法研究现状 | 第12-16页 |
| 1.2.3 数据流趋势分析方法研究现状 | 第16-17页 |
| 1.3 课题的研究内容和组织结构 | 第17-18页 |
| 1.4 本课题主要研究思路和创新点 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第二章 高维数据流分析的相关理论基础 | 第20-35页 |
| 2.1 高维数据流 | 第20-22页 |
| 2.1.1 高维数据流的特点 | 第20-21页 |
| 2.1.2 高维数据流的应用 | 第21-22页 |
| 2.2 高维数据流常用的降维技术 | 第22-26页 |
| 2.2.1 降维的定义 | 第22-23页 |
| 2.2.2 常用的降维技术 | 第23-25页 |
| 2.2.3 常用降维技术的优缺点 | 第25-26页 |
| 2.3 数据流聚类分析 | 第26-30页 |
| 2.3.1 聚类分析的基本概念 | 第26-27页 |
| 2.3.2 数据流聚类分析的相关技术 | 第27-29页 |
| 2.3.3 数据流聚类算法要求 | 第29-30页 |
| 2.4 经典的数据流聚类算法 | 第30-34页 |
| 2.4.1 经典的数据流聚类算法分析 | 第31-34页 |
| 2.4.2 经典的数据流聚类算法的优缺点 | 第34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 高维数据流聚类算法改进 | 第35-47页 |
| 3.1 信息熵与特征投影相结合的降维算法—H-HpFit Stream | 第35-38页 |
| 3.1.1 信息熵 | 第35-36页 |
| 3.1.2 改进的高维数据流降维算法—H-HpFit Stream | 第36-38页 |
| 3.2 改进的数据流聚类算法—D-LFStream | 第38-46页 |
| 3.2.1 蚁群聚类算法基本原理及分类 | 第38-41页 |
| 3.2.2 LF算法模型及其性能评价 | 第41-43页 |
| 3.2.3 D-LFStream算法模型的具体改进方案 | 第43-45页 |
| 3.2.4 D-LFStream算法模型的实现过程 | 第45-46页 |
| 3.3 本章小结 | 第46-47页 |
| 第四章 动态数据流的趋势分析算法改进 | 第47-57页 |
| 4.1 问题描述 | 第47-48页 |
| 4.2 经典的数据流趋势分析算法分析 | 第48-49页 |
| 4.3 改进的趋势分析算法 | 第49-55页 |
| 4.3.1 基于总体最小二乘法的动态数据流平稳变化指标的趋势分析 | 第49-51页 |
| 4.3.2 基于指数回归算法的动态数据流剧烈变化指标的趋势分析 | 第51-53页 |
| 4.3.3 基于置信区间的变化点检测 | 第53-54页 |
| 4.3.4 改进的趋势分析算法步骤及流程 | 第54-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第五章 仿真实验及应用分析 | 第57-71页 |
| 5.1 应用背景 | 第57-58页 |
| 5.2 实验数据集及实验环境 | 第58-59页 |
| 5.2.1 实验数据集 | 第58-59页 |
| 5.2.2 实验环境 | 第59页 |
| 5.3 H-HpFit Stream算法的仿真实验及分析 | 第59-63页 |
| 5.3.1 H-HpFit Stream算法实验结果与分析 | 第59-61页 |
| 5.3.2 降维算法对比实验结果与分析 | 第61-63页 |
| 5.4 D-LFStream算法的仿真实验及分析 | 第63-67页 |
| 5.4.1 聚类实验结果与分析 | 第64-65页 |
| 5.4.2 聚类客观评价指标及对比分析 | 第65-67页 |
| 5.5 趋势分析应用实验及分析 | 第67-70页 |
| 5.5.1 趋势分析实验结果与分析 | 第67-69页 |
| 5.5.2 趋势分析客观评价指标及对比分析 | 第69-70页 |
| 5.6 本章小结 | 第70-71页 |
| 第六章 结论与展望 | 第71-73页 |
| 6.1 主要的研究成果总结 | 第71-72页 |
| 6.2 今后工作的展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间的研究成果 | 第78页 |
