| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 研究背景和意义 | 第15-16页 |
| 1.1.1 研究背景 | 第15页 |
| 1.1.2 研究意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 平稳分布数据流分类研究现状 | 第16-17页 |
| 1.2.2 概念漂移数据流分类研究现状 | 第17-18页 |
| 1.3 本文主要研究内容 | 第18页 |
| 1.4 本文组织结构 | 第18-20页 |
| 第二章 数据流相关理论研究 | 第20-32页 |
| 2.1 数据流相关概念 | 第20-24页 |
| 2.1.1 数据流的定义及特点 | 第20页 |
| 2.1.2 概念漂移的定义及分类 | 第20-22页 |
| 2.1.3 概念漂移处理方法 | 第22-24页 |
| 2.2 数据流挖掘理论基础 | 第24-26页 |
| 2.2.1 基于数据的数据流处理方法 | 第24-25页 |
| 2.2.2 基于任务的数据流处理方法 | 第25-26页 |
| 2.3 数据流分类算法概述 | 第26-28页 |
| 2.3.1 数据流单分类器学习 | 第27页 |
| 2.3.2 数据流集成分类器学习 | 第27-28页 |
| 2.4 集成学习 | 第28-31页 |
| 2.4.1 集成学习思想概述 | 第28-30页 |
| 2.4.2 选择性集成思想概述 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于边界最小化测度的数据流选择性集成分类算法 | 第32-43页 |
| 3.1 引言 | 第32页 |
| 3.2 边界最小化测度思想 | 第32-34页 |
| 3.3 SEMDM算法 | 第34-36页 |
| 3.3.1 算法描述 | 第34页 |
| 3.3.2 算法流程 | 第34-35页 |
| 3.3.3 分类准确率及权值计算方法 | 第35-36页 |
| 3.4 实验结果及分析 | 第36-42页 |
| 3.4.1 实验参数设置 | 第36页 |
| 3.4.2 实验数据集 | 第36-37页 |
| 3.4.3 实验性能分析 | 第37-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于朴素贝叶斯和无监督学习的数据流分类算法 | 第43-53页 |
| 4.1 引言 | 第43页 |
| 4.2 朴素贝叶斯与无监督学习 | 第43-45页 |
| 4.2.1 朴素贝叶斯方法 | 第43-44页 |
| 4.2.2 无监督学习方法 | 第44-45页 |
| 4.3 CDSNU算法 | 第45-47页 |
| 4.3.1 算法描述 | 第45页 |
| 4.3.2 算法流程 | 第45-46页 |
| 4.3.3 概念漂移检测方法 | 第46-47页 |
| 4.4 实验结果及分析 | 第47-52页 |
| 4.4.1 实验数据集 | 第47页 |
| 4.4.2 实验抗噪性能分析 | 第47-49页 |
| 4.4.3 与其他实验对比分析 | 第49-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 总结和展望 | 第53-55页 |
| 5.1 总结 | 第53-54页 |
| 5.2 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第59-60页 |