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 |
