| 中文摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 中文文摘 | 第6-10页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状与问题 | 第11-15页 |
| 1.3 本文主要研究内容 | 第15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 1.5 本章小结 | 第16-18页 |
| 第二章 相关工作 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 概念漂移 | 第18-23页 |
| 2.2.1 概念漂移的概述 | 第19页 |
| 2.2.2 概念漂移的分类 | 第19-22页 |
| 2.2.3 概念漂移检测 | 第22-23页 |
| 2.3 数据流分类学习 | 第23-26页 |
| 2.3.1 数据流的概念与特性 | 第24页 |
| 2.3.2 数据流处理技术 | 第24-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 概念漂移数据流分类的增量学习基础 | 第28-36页 |
| 3.1 引言 | 第28页 |
| 3.2 增量学习思想 | 第28-29页 |
| 3.3 常用的增量学习方法 | 第29-31页 |
| 3.4 增量支持向量机 | 第31-34页 |
| 3.5 本章小结 | 第34-36页 |
| 第四章 一种基于数据流二重概念漂移检测的增量学习算法 | 第36-46页 |
| 4.1 引言 | 第36页 |
| 4.2 二重概念漂移检测机制 | 第36-37页 |
| 4.3 基于数据属性的概念漂移检测机制 | 第37-39页 |
| 4.4 基于分类性能的概念漂移检测机制 | 第39-40页 |
| 4.5 基于增量SVM与二重检测的概念漂移数据流分类模型TDD-ISVM | 第40-43页 |
| 4.6 TDD-ISVM算法的复杂性分析 | 第43-44页 |
| 4.7 本章小结 | 第44-46页 |
| 第五章 实验及论证 | 第46-56页 |
| 5.1 技术支持 | 第46-50页 |
| 5.1.1 Spark Streaming流式处理框架 | 第46-48页 |
| 5.1.2 MLlib机器学习 | 第48页 |
| 5.1.3 Spark集群搭建 | 第48-50页 |
| 5.2 数据集介绍 | 第50-51页 |
| 5.3 实验结果与分析 | 第51-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读学位期间承担的科研任务与主要成果 | 第62-63页 |
| 致谢 | 第63-64页 |
| 个人简历 | 第64-66页 |
