| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 摘要 | 第11页 |
| 1.1 引言 | 第11页 |
| 1.2 数据挖掘技术概述 | 第11-14页 |
| 1.3 时间序列的挖掘需求 | 第14-15页 |
| 1.4 时间序列数据挖掘研究现状 | 第15-18页 |
| 1.5 时间序列数据挖掘应用 | 第18-19页 |
| 1.6 本文的研究内容与结构 | 第19-21页 |
| 第2章 非平衡数据集分类技术 | 第21-29页 |
| 摘要 | 第21页 |
| 2.1 分类算法概述 | 第21-25页 |
| 2.2 非平衡数据集的分类难点 | 第25-26页 |
| 2.3 非平衡数据集的分类算法 | 第26-28页 |
| 2.3.1 重抽样技术 | 第27-28页 |
| 2.3.2 代价敏感学习 | 第28页 |
| 2.4 小结 | 第28-29页 |
| 第3章 基于流形学习的特征选择算法 | 第29-41页 |
| 摘要 | 第29页 |
| 3.1 引言 | 第29页 |
| 3.2 相关研究 | 第29-33页 |
| 3.2.1 时间序列的多特征表示 | 第29-32页 |
| 3.2.2 度量学习 | 第32-33页 |
| 3.3 基于流形学习的特征选择算法 | 第33-36页 |
| 3.3.1 基于信息理论度量学习的相似矩阵 | 第33-34页 |
| 3.3.2 基于流形学习的特征选择方法 | 第34-36页 |
| 3.3.3 MBFS算法流程 | 第36页 |
| 3.4 仿真实验 | 第36-40页 |
| 3.5 小结 | 第40-41页 |
| 第4章 双加权支持向量机DWSVM | 第41-53页 |
| 摘要 | 第41页 |
| 4.1 引言 | 第41页 |
| 4.2 双加权支持向量机算法 | 第41-46页 |
| 4.2.1 引入不同的惩罚系数 | 第42页 |
| 4.2.2 基于特征加权的核函数 | 第42-43页 |
| 4.2.3 双加权支持向量机 | 第43-44页 |
| 4.2.4 不平衡分类评价指标 | 第44-46页 |
| 4.3 实验仿真 | 第46-52页 |
| 4.3.1 数据集介绍 | 第46-47页 |
| 4.3.2 参数设置 | 第47-51页 |
| 4.3.3 模型效果评估 | 第51-52页 |
| 4.4 小结 | 第52-53页 |
| 第5章 基于特征选择和分类算法的疲劳驾驶预测体系及应用 | 第53-65页 |
| 摘要 | 第53页 |
| 5.1 引言 | 第53页 |
| 5.2 体系结构模块 | 第53-56页 |
| 5.2.1 输入模块 | 第54页 |
| 5.2.2 数据预处理模块 | 第54-56页 |
| 5.2.3 特征选择模块 | 第56页 |
| 5.2.4 分类模块 | 第56页 |
| 5.2.5 输出模块 | 第56页 |
| 5.3 FSBC在疲劳驾驶监测系统中的应用 | 第56-64页 |
| 5.3.1 实验平台简介 | 第57页 |
| 5.3.2 数据采集 | 第57-59页 |
| 5.3.3 参数设置和结果分析 | 第59-64页 |
| 5.4 小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 摘要 | 第65页 |
| 6.1 内容总结 | 第65-66页 |
| 6.2 研究展望 | 第66-67页 |
| 参考文献 | 第67-75页 |
| 附录A：个人简历 | 第75页 |
| 附录B：攻读硕士期间科研成果 | 第75页 |