| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 目录 | 第10-13页 |
| 第一章 绪论 | 第13-33页 |
| ·研究背景和意义 | 第13-14页 |
| ·时间序列数据挖掘 | 第14-18页 |
| ·时间序列数据挖掘和传统时间序列分析的区别 | 第14-15页 |
| ·时间序列数据挖掘研究现状 | 第15-18页 |
| ·时间序列频繁模式发现 | 第18-21页 |
| ·频繁项集发现的基本方法 | 第18-19页 |
| ·基于不同支持度定义的频繁模式发现 | 第19-20页 |
| ·基于频繁模式的不同数据挖掘任务 | 第20-21页 |
| ·动态复杂网络社区划分 | 第21-28页 |
| ·复杂网络 | 第21-23页 |
| ·图挖掘 | 第23-26页 |
| ·社区划分 | 第26-28页 |
| ·本文内容和主要贡献 | 第28-33页 |
| ·本文主要内容 | 第28-30页 |
| ·本文创新点 | 第30-33页 |
| 第二章 基于时间序列频繁模式的WASN节点行为预测模型研究 | 第33-50页 |
| ·引言 | 第33页 |
| ·相关工作 | 第33-34页 |
| ·相关概念 | 第34-35页 |
| ·FPM算法 | 第35-39页 |
| ·频繁模式分布和多维时间序列划分 | 第35-37页 |
| ·时间序列集合中频繁模式发现 | 第37-39页 |
| ·FMAMC模型 | 第39-40页 |
| ·实验结果及分析 | 第40-49页 |
| ·实验环境及数据 | 第40-42页 |
| ·实验方法 | 第42页 |
| ·实验结果分析 | 第42-49页 |
| ·本章小结 | 第49-50页 |
| 第三章 基于频繁模式的时间序列分类方法研究 | 第50-60页 |
| ·引言 | 第50页 |
| ·相关工作 | 第50页 |
| ·相关概念 | 第50-51页 |
| ·基于非重叠频繁模式的分类框架 | 第51-55页 |
| ·非重叠频繁模式挖掘算法 | 第51-52页 |
| ·EGMAMC模型和显著频繁模式 | 第52-54页 |
| ·基于支持度的特征选择 | 第54-55页 |
| ·实验结果及分析 | 第55-59页 |
| ·实验环境及数据 | 第55-56页 |
| ·实验方法 | 第56-57页 |
| ·实验结果分析 | 第57-59页 |
| ·本章小结 | 第59-60页 |
| 第四章 传感器网络时间序列数据中基于频繁模式的事件探测算法研究 | 第60-68页 |
| ·引言 | 第60-61页 |
| ·相关工作 | 第61页 |
| ·相关概念 | 第61-62页 |
| ·基于频繁模式聚类的事件探测 | 第62-64页 |
| ·频繁模式频谱分析 | 第62-63页 |
| ·EDPA算法 | 第63-64页 |
| ·实验结果及分析 | 第64-66页 |
| ·实验环境及数据 | 第64-65页 |
| ·实验方法 | 第65页 |
| ·实验结果分析 | 第65-66页 |
| ·本章小结 | 第66-68页 |
| 第五章 复杂网络中社区划分方法研究 | 第68-101页 |
| ·引言 | 第68页 |
| ·极大团发现算法研究 | 第68-77页 |
| ·研究背景 | 第68-69页 |
| ·相关工作 | 第69-70页 |
| ·相关概念 | 第70页 |
| ·CLIM算法 | 第70-73页 |
| ·实验结果及分析 | 第73-77页 |
| ·结论 | 第77页 |
| ·基于极大团的静态社区划分方法研究 | 第77-84页 |
| ·研究背景 | 第77-78页 |
| ·相关工作 | 第78页 |
| ·相关概念 | 第78-80页 |
| ·CDPM算法 | 第80-81页 |
| ·实验结果及分析 | 第81-83页 |
| ·结论 | 第83-84页 |
| ·信息图中社区划分方法研究 | 第84-91页 |
| ·研究背景 | 第84页 |
| ·相关工作 | 第84-85页 |
| ·相关概念 | 第85页 |
| ·信息图中社区划分 | 第85-89页 |
| ·实验结果及分析 | 第89-91页 |
| ·结论 | 第91页 |
| ·动态社区划分方法研究 | 第91-99页 |
| ·研究背景 | 第91-92页 |
| ·相关工作 | 第92页 |
| ·编码方案 | 第92-95页 |
| ·动态社区划分算法 | 第95-97页 |
| ·实验结果及分析 | 第97-99页 |
| ·结论 | 第99页 |
| ·本章小结 | 第99-101页 |
| 第六章 基于复杂网络信息流模型的协同过滤算法研究 | 第101-110页 |
| ·引言 | 第101-102页 |
| ·相关工作 | 第102页 |
| ·社会网络信息流模型 | 第102-105页 |
| ·基于扩展半马尔可夫过程的信息流模型 | 第102-104页 |
| ·社会网络结构对转移概率的影响 | 第104-105页 |
| ·SMRR协同过滤算法 | 第105-107页 |
| ·计算信息首达时间 | 第105-106页 |
| ·计算用户潜在价值 | 第106页 |
| ·SMRR算法 | 第106-107页 |
| ·实验结果及分析 | 第107-109页 |
| ·实验环境及数据 | 第107页 |
| ·实验方法 | 第107-108页 |
| ·实验结果分析 | 第108-109页 |
| ·本章小结 | 第109-110页 |
| 第七章 总结与展望 | 第110-113页 |
| ·全文总结 | 第110-111页 |
| ·研究前景与展望 | 第111-113页 |
| 参考文献 | 第113-123页 |
| 攻读博士学位期间发表的论文 | 第123-124页 |
| 致谢 | 第124页 |