| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 缩略语 | 第13-14页 |
| 第1章 绪论 | 第14-20页 |
| 1.1 课题研究背景和研究意义 | 第14-15页 |
| 1.1.1 研究背景 | 第14-15页 |
| 1.1.2 研究意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 门禁终端的研究现状 | 第15-16页 |
| 1.2.2 不平衡数据集的研究现状 | 第16-17页 |
| 1.2.2.1 数据层面 | 第16-17页 |
| 1.2.2.2 算法层面 | 第17页 |
| 1.3 论文的主要工作 | 第17-18页 |
| 1.4 论文组织结构 | 第18-20页 |
| 第2章 相关原理和方法介绍 | 第20-30页 |
| 2.1 引言 | 第20页 |
| 2.2 门禁的相关原理 | 第20-21页 |
| 2.3 监督学习方法 | 第21-25页 |
| 2.3.1 线性回归(LinearRegression) | 第21-22页 |
| 2.3.2 支持向量机(SupportVectorMachine) | 第22-24页 |
| 2.3.3 随机森林(RandomForest) | 第24-25页 |
| 2.4 不平衡数据集 | 第25-28页 |
| 2.4.1 不平衡数据集问题 | 第25页 |
| 2.4.2 不平衡数据集分类的评价标准 | 第25-28页 |
| 2.5 算法在门禁网络完备性中的应用分析 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 多功能智能门禁终端设计及其故障数据库建立 | 第30-50页 |
| 3.1 引言 | 第30页 |
| 3.2 整体需求分析 | 第30-31页 |
| 3.3 多路信号处理的智能门禁终端设计 | 第31-36页 |
| 3.3.1 韦根协议以及ID卡介绍 | 第31-33页 |
| 3.3.2 RS485通信介绍 | 第33-34页 |
| 3.3.3 多输入信息采集设计 | 第34-36页 |
| 3.4 门禁终端故障数据采集设计 | 第36-43页 |
| 3.4.1 最小系统电路设计 | 第36-39页 |
| 3.4.1.1 电源供电 | 第36-37页 |
| 3.4.1.2 启动模式 | 第37页 |
| 3.4.1.3 晶振电路 | 第37-38页 |
| 3.4.1.4 复位电路 | 第38-39页 |
| 3.4.2 温湿度采集电路 | 第39-41页 |
| 3.4.3 模拟门禁故障数据采集网络 | 第41-43页 |
| 3.5 本章实验 | 第43-49页 |
| 3.5.1 实验环境 | 第43-44页 |
| 3.5.2 二维门禁信号实验 | 第44-46页 |
| 3.5.2.1 车牌数据的转换 | 第44-45页 |
| 3.5.2.2 二维数据流处理实验 | 第45-46页 |
| 3.5.3 故障数据采集实验 | 第46-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第4章 基于欧式距离中心的SMOTE门禁网络故障预测方法 | 第50-66页 |
| 4.1 引言 | 第50页 |
| 4.2 重采样算法 | 第50-53页 |
| 4.2.1 下采样 | 第50-51页 |
| 4.2.2 上采样 | 第51-53页 |
| 4.3 SMOTE算法及其改进 | 第53-59页 |
| 4.3.1 SMOTE算法 | 第53-55页 |
| 4.3.2 Borderline-SMOTE算法 | 第55-56页 |
| 4.3.3 基于欧式距离中心的SMOTE改进算法 | 第56-59页 |
| 4.4 本章实验 | 第59-64页 |
| 4.4.1 实验环境 | 第59页 |
| 4.4.2 数据集处理 | 第59-60页 |
| 4.4.3 实验结果与分析 | 第60-64页 |
| 4.4.3.1不平衡比例为0.1 | 第61-62页 |
| 4.4.3.2不平衡比例为0.05 | 第62-64页 |
| 4.5 本章小结 | 第64-66页 |
| 第5章 基于多类型集成的实例代价敏感决策树门禁故障预测方法 | 第66-84页 |
| 5.1 引言 | 第66页 |
| 5.2 代价敏感分类算法 | 第66-70页 |
| 5.2.1 二分类的代价特征 | 第66-68页 |
| 5.2.2 代价矩阵的决策函数 | 第68页 |
| 5.2.3 最优决策 | 第68-69页 |
| 5.2.4 常用的代价敏感学习方法 | 第69-70页 |
| 5.3 Cost-sensitiveDecisionTree算法 | 第70-74页 |
| 5.3.1 决策树算法(DecisionTree) | 第70-71页 |
| 5.3.2 决策树划分准则 | 第71-72页 |
| 5.3.3 基于代价节点的决策树 | 第72-74页 |
| 5.4 基于类别集成改进的代价敏感决策树 | 第74-75页 |
| 5.5 本章实验 | 第75-82页 |
| 5.5.1 实验环境 | 第75-76页 |
| 5.5.2 数据集处理 | 第76-77页 |
| 5.5.2.1 单类型数据集 | 第76页 |
| 5.5.2.2 多类型数据集 | 第76-77页 |
| 5.5.3 实验结果与分析 | 第77-82页 |
| 5.5.3.1 单类型数据实验 | 第77-79页 |
| 5.5.3.2 多类型数据实验 | 第79-82页 |
| 5.6 本章小结 | 第82-84页 |
| 第6章 总结与展望 | 第84-86页 |
| 6.1 全文总结 | 第84-85页 |
| 6.2 工作展望 | 第85-86页 |
| 致谢 | 第86-88页 |
| 参考文献 | 第88-92页 |
| 攻读硕士学位期间的研究成果 | 第92页 |
