首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机软件论文--程序设计、软件工程论文--程序设计论文

基于主动学习的数据流分类器研究

摘要第5-6页
Abstract第6-7页
第1章 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 数据流分类研究现状第14-16页
        1.2.1 单分类器研究现状第14-15页
        1.2.2 集成分类器研究现状第15-16页
    1.3 主动学习研究现状第16-17页
    1.4 主要研究内容第17-18页
    1.5 论文组织结构第18-19页
第2章 相关技术介绍第19-30页
    2.1 数据流概述第19-20页
    2.2 数据流分类第20-24页
        2.2.1 数据流分类过程第20-21页
        2.2.2 经典数据流分类算法第21-24页
    2.3 主动学习方法概述第24-29页
        2.3.1 主动学习框架第24-26页
        2.3.2 主动学习采样准则第26-27页
        2.3.3 经典的数据流主动学习方法第27-29页
    2.4 本章小结第29-30页
第3章 融入证据的数据流主动学习方法第30-43页
    3.1 引言第30页
    3.2 基于证据的不确定性度量第30-33页
        3.2.1 证据的定义第30-31页
        3.2.2 证据的计算第31-32页
        3.2.3 证据的特点第32-33页
    3.3 在数据流中利用证据的解决方案第33-36页
        3.3.1 概念漂移的捕捉第33-34页
        3.3.2 冲突不确定性的判断第34-36页
    3.4 融入证据的数据流主动学习策略第36-37页
        3.4.1 算法框架第36页
        3.4.2 时间空间分析第36-37页
    3.5 实验结果及分析第37-42页
        3.5.1 实验数据集第37-38页
        3.5.2 运行平台及参数设置第38页
        3.5.3 数据集类分布情况第38-39页
        3.5.4 预测精度分析第39-40页
        3.5.5 参数W敏感性分析第40-41页
        3.5.6 参数v敏感性分析第41-42页
    3.6 本章小结第42-43页
第4章 基于主动学习的数据流分类器第43-55页
    4.1 引言第43页
    4.2 基于主动学习的集成分类器框架第43-45页
    4.3 基于主动学习的分类器算法第45-49页
        4.3.1 EDCA思想第45-46页
        4.3.2 EDCA算法框架第46-47页
        4.3.3 权重计算更新方法第47-48页
        4.3.4 时间空间分析第48-49页
    4.4 实验设计与分析第49-54页
        4.4.1 实验数据集第49页
        4.4.2 实验设计与参数设置第49-50页
        4.4.3 预测精度分析第50-51页
        4.4.4 参数k敏感性分析第51-52页
        4.4.5 参数v敏感性分析第52-53页
        4.4.6 参数n敏感性分析第53-54页
    4.5 本章小结第54-55页
结论第55-57页
参考文献第57-61页
附录A 攻读学位期间所发表的学术论文第61-62页
致谢第62页

论文共62页,点击 下载论文
上一篇:基于全同态加密技术的电子投票系统的设计与实现
下一篇:无线资源调度系统在TD-SCDMA网络优化中的设计与实现