| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-14页 |
| 1.1.1 大数据时代 | 第11-13页 |
| 1.1.2 有监督学习 | 第13-14页 |
| 1.1.3 无监督学习 | 第14页 |
| 1.2 面临挑战 | 第14-16页 |
| 1.2.1 有标签数据下增量学习面临的挑战 | 第15页 |
| 1.2.2 无标签数据下增量学习面临的挑战 | 第15-16页 |
| 1.3 本文工作 | 第16-18页 |
| 1.3.1 基于随机森林的有监督增量学习方法 | 第16-17页 |
| 1.3.2 基于自动编码器的无监督增量学习方法 | 第17-18页 |
| 1.4 论文结构 | 第18-19页 |
| 第二章 相关工作 | 第19-29页 |
| 2.1 有监督学习的增量学习方法 | 第19-23页 |
| 2.1.1 Off-linelearning | 第19-21页 |
| 2.1.2 On-linelearning | 第21-23页 |
| 2.1.3 Incrementallearning | 第23页 |
| 2.2 无监督学习的增量学习方法 | 第23-29页 |
| 2.2.1 聚类算法 | 第24-26页 |
| 2.2.2 自动编码器 | 第26-27页 |
| 2.2.3 基于CNN的增量学习方法 | 第27-29页 |
| 第三章 基于随机森林的有监督增量学习方法 | 第29-43页 |
| 3.1 引言 | 第29-30页 |
| 3.2 整体架构 | 第30-32页 |
| 3.3 袋外误差估计 | 第32-34页 |
| 3.4 RRN方法 | 第34-37页 |
| 3.5 RLP方法 | 第37页 |
| 3.6 计算效率分析 | 第37-39页 |
| 3.7 实验与分析 | 第39-43页 |
| 3.7.1 数据预处理 | 第39-40页 |
| 3.7.2 计算效率与准确性分析 | 第40-41页 |
| 3.7.3 稳定性试验 | 第41-43页 |
| 第四章 基于自动编码器的无监督增量学习方法 | 第43-56页 |
| 4.1 引言 | 第43-44页 |
| 4.2 整体框架 | 第44-46页 |
| 4.3 用于聚类拟合的KL散度函数 | 第46-49页 |
| 4.3.1 学习聚类中心 | 第46-48页 |
| 4.3.2 变量初始化 | 第48-49页 |
| 4.4 用于知识提取的交叉熵函数 | 第49-52页 |
| 4.5 实验与分析 | 第52-56页 |
| 4.5.1 数据集 | 第52-53页 |
| 4.5.2 评价标准 | 第53页 |
| 4.5.3 实现 | 第53-54页 |
| 4.5.4 实验结果 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 本文工作及主要创新点 | 第56页 |
| 5.2 未来工作展望 | 第56-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 作者在学期间取得的学术成果 | 第63页 |