基于支持向量机的孤立点检测方法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-25页 |
| ·问题背景和历史沿革 | 第11-17页 |
| ·数据挖掘的发展历程 | 第11-13页 |
| ·数据挖掘功能描述及方法 | 第13-15页 |
| ·孤立点检测定义与应用 | 第15-17页 |
| ·相关问题的研究现状 | 第17-23页 |
| ·孤立点检测方法发展过程 | 第17-20页 |
| ·支持向量机学习方法 | 第20-21页 |
| ·支持向量机孤立点检测的研究现状 | 第21-23页 |
| ·论文的内容概括和结构安排 | 第23-25页 |
| 2 半监督孤立点检测 | 第25-55页 |
| ·引言 | 第25-26页 |
| ·一类支持向量机及ROC分析 | 第26-28页 |
| ·一类支持向量机 | 第26-27页 |
| ·ROC分析技术 | 第27-28页 |
| ·半监督孤立点检测模型 | 第28-40页 |
| ·模型参数影响及参数搜索方法 | 第29-31页 |
| ·孤立点检测模型 | 第31-35页 |
| ·穷举法参数搜索仿真实验 | 第35-36页 |
| ·粒子群优化算法参数搜索仿真实验 | 第36-40页 |
| ·局部密度一类支持向量机 | 第40-44页 |
| ·数据局部密度信息 | 第40页 |
| ·学习算法推导过程 | 第40-42页 |
| ·仿真实验 | 第42-44页 |
| ·孤立点一类支持向量机 | 第44-52页 |
| ·算法理论问题分析 | 第44-45页 |
| ·可疑孤立点探测方法 | 第45-46页 |
| ·孤立点一类支持向量机算法 | 第46-48页 |
| ·孤立点检测算法 | 第48-49页 |
| ·仿真实验 | 第49-52页 |
| ·本章小结 | 第52-55页 |
| 3 稳健支持向量分类器 | 第55-81页 |
| ·引言 | 第55页 |
| ·支持向量机分类原理 | 第55-59页 |
| ·支持向量机求解算法 | 第55-58页 |
| ·孤立点对分类超平面的影响 | 第58-59页 |
| ·加权支持向量机 | 第59-69页 |
| ·加权支持向量机原理 | 第59-61页 |
| ·稳健分类器解决方案 | 第61-63页 |
| ·蛋白质亚细胞定位预测应用 | 第63-69页 |
| ·结合高斯过程模型潜变量模型的孤立点检测算法 | 第69-78页 |
| ·高斯过程潜变量模型与特征抽取 | 第69-72页 |
| ·孤立点检测算法 | 第72-74页 |
| ·阶梯跳跃分类算法 | 第74-78页 |
| ·本章小结 | 第78-81页 |
| 4 混合策略孤立点检测方法 | 第81-101页 |
| ·引言 | 第81页 |
| ·两阶段孤立点检测方法 | 第81-89页 |
| ·数据不平衡降低分类性能 | 第82页 |
| ·孤立点检测算法 | 第82-86页 |
| ·两阶段方法性能分析 | 第86-87页 |
| ·仿真实验 | 第87-89页 |
| ·基于集成支持向量机的孤立点检测 | 第89-97页 |
| ·集成支持向量机解决不平衡分类问题 | 第89-91页 |
| ·孤立点检测详细算法 | 第91-93页 |
| ·仿真实验 | 第93-97页 |
| ·本章小结 | 第97-101页 |
| 5 结论与展望 | 第101-105页 |
| ·结论 | 第101-103页 |
| ·基于一类支持向量机的孤立点检测技术 | 第101-102页 |
| ·数据预处理技术对孤立点检测方法的性能改进 | 第102-103页 |
| ·使用混合策略的孤立点检测方法 | 第103页 |
| ·展望 | 第103-105页 |
| 参考文献 | 第105-115页 |
| 附录A 主要符号说明 | 第115-116页 |
| 附录B 支持向量机理论基础 | 第116-117页 |
| 创新点摘要 | 第117-118页 |
| 攻读博士学位期间发表学术论文情况 | 第118-120页 |
| 致谢 | 第120-121页 |
| 作者简介 | 第121-122页 |
