| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 论文研究背景及研究意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要内容 | 第13页 |
| 1.4 论文结构 | 第13-15页 |
| 第二章 机器学习算法原理 | 第15-24页 |
| 2.1 朴素贝叶斯(Naive Bayes)算法 | 第15-16页 |
| 2.2 支持向量机(SVM)算法 | 第16-21页 |
| 2.3 k-近邻法 | 第21-22页 |
| 2.4 C4.5决策树 | 第22-23页 |
| 2.5 本章总结 | 第23-24页 |
| 第三章 基于机器学习的GSM网络定位 | 第24-44页 |
| 3.1 基于机器学习的移动终端定位问题建模 | 第24-27页 |
| 3.2 数据采集和预处理 | 第27-28页 |
| 3.3 基于主服务小区基站经纬度的初步定位 | 第28-30页 |
| 3.4 基于支持向量机的二次定位 | 第30-35页 |
| 3.4.1 区域栅格化 | 第30-31页 |
| 3.4.2 定位模型训练 | 第31-33页 |
| 3.4.3 待分类样本定位 | 第33-35页 |
| 3.5 基于k-近邻法的三次定位 | 第35-37页 |
| 3.5.1 定位区域确定 | 第35-36页 |
| 3.5.2 定位模型训练 | 第36页 |
| 3.5.3 待分类样本定位 | 第36-37页 |
| 3.6 仿真结果与分析 | 第37-42页 |
| 3.6.1 待定位数据合并对定位性能影响 | 第37-38页 |
| 3.6.2 基于k-近邻法的三次定位定位区域大小选择对定位性能影响 | 第38-40页 |
| 3.6.3 基于k-近邻法的三次定位k值选择对定位性能影响 | 第40-41页 |
| 3.6.4 基于支持向量机和k-近邻法的三阶段定位方法性能 | 第41-42页 |
| 3.7 本章总结 | 第42-44页 |
| 第四章 基于机器学习的新浪微博链接预测 | 第44-54页 |
| 4.1 新浪微博链接预测问题建模 | 第44-45页 |
| 4.2 数据采集与预处理 | 第45-50页 |
| 4.2.1 相似性特征 | 第46-47页 |
| 4.2.2 属性特征 | 第47-48页 |
| 4.2.3 拓扑特征 | 第48-50页 |
| 4.3 预测模型训练和链接预测 | 第50页 |
| 4.4 仿真结果及分析 | 第50-53页 |
| 4.4.1 基于机器学习的链接预测算法预测精度对比 | 第50-51页 |
| 4.4.2 基于机器学习的链接预测算法预测速度对比 | 第51-52页 |
| 4.4.3 特征重要性排序 | 第52-53页 |
| 4.5 本章总结 | 第53-54页 |
| 第五章 总结与展望 | 第54-55页 |
| 5.1 论文工作总结 | 第54页 |
| 5.2 下一步的工作展望 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 致谢 | 第57-58页 |
| 攻读学位期间发表的学术论文 | 第58页 |
