| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-26页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-22页 |
| 1.3 论文的主要工作 | 第22-24页 |
| 1.4 论文的结构安排 | 第24-26页 |
| 第2章 面向不平衡数据集的主动下采样算法设计与实现 | 第26-39页 |
| 2.1 引言 | 第26页 |
| 2.2 不平衡数据集对分类器性能的影响 | 第26-28页 |
| 2.3 几种下采样方法 | 第28-29页 |
| 2.3.1 随机下采样方法 | 第28-29页 |
| 2.3.2 NearMiss系列方法 | 第29页 |
| 2.4 面向不平衡数据集的分类器性能评价指标 | 第29-32页 |
| 2.4.1 G-mean | 第29-30页 |
| 2.4.2 F-measure | 第30-31页 |
| 2.4.3 ROC | 第31-32页 |
| 2.5 主动下采样算法 | 第32-34页 |
| 2.5.1 主动下采样算法的设计 | 第32-34页 |
| 2.5.2 计算复杂度分析 | 第34页 |
| 2.6 与其他下采样方法的比较 | 第34-36页 |
| 2.7 多分类问题 | 第36-38页 |
| 2.8 本章小结 | 第38-39页 |
| 第3章 基于离群点检测技术的类样本重叠数据集分类方法 | 第39-53页 |
| 3.1 引言 | 第39页 |
| 3.2 离群点检测技术 | 第39-41页 |
| 3.2.1 局部离群点因子检测算法 | 第39-41页 |
| 3.2.2 相邻离群点因子检测算法 | 第41页 |
| 3.3 采样和数据清理相结合的一些方法 | 第41-43页 |
| 3.3.1 基于Tomek链的SMOTE方法 | 第42-43页 |
| 3.3.2 OSS方法 | 第43页 |
| 3.3.3 NCL方法 | 第43页 |
| 3.4 基于边界噪声因子的采样方法 | 第43-47页 |
| 3.4.1 边界噪声因子 | 第43-45页 |
| 3.4.2 算法整体思路 | 第45-47页 |
| 3.4.3 计算复杂度分析 | 第47页 |
| 3.5 与其他方法的比较 | 第47-50页 |
| 3.6 多分类问题 | 第50-52页 |
| 3.7 本章小结 | 第52-53页 |
| 第4章 极限学习机优化方法 | 第53-81页 |
| 4.1 引言 | 第53-55页 |
| 4.2 极限学习机 | 第55-56页 |
| 4.2.1 Moore-Penrose广义逆 | 第55页 |
| 4.2.2 极限学习机算法 | 第55-56页 |
| 4.3 智能优化算法 | 第56-60页 |
| 4.3.1 差分进化算法 | 第56-57页 |
| 4.3.2 粒子群优化算法 | 第57-58页 |
| 4.3.3 量子行为粒子群优化算法 | 第58-60页 |
| 4.4 智能极限学习机优化方法 | 第60-62页 |
| 4.4.1 差分进化优化极限学习机 | 第60页 |
| 4.4.2 粒子群优化极限学习机 | 第60-61页 |
| 4.4.3 改进粒子群优化极限学习机 | 第61-62页 |
| 4.5 量子行为粒子群优化极限学习机 | 第62-72页 |
| 4.5.1 量子行为粒子群优化极限学习机算法 | 第62-64页 |
| 4.5.2 算法收敛性证明 | 第64-65页 |
| 4.5.3 实验环境设置 | 第65页 |
| 4.5.4 函数逼近实验 | 第65-70页 |
| 4.5.5 实际数据集分类问题 | 第70-72页 |
| 4.6 自适应剪枝极限学习机 | 第72-79页 |
| 4.6.1 正交投影 | 第73-74页 |
| 4.6.2 信息准则 | 第74页 |
| 4.6.3 自适应剪枝算法 | 第74-77页 |
| 4.6.4 实际数据集分类问题 | 第77-79页 |
| 4.7 本章小结 | 第79-81页 |
| 第5章 面向不平衡数据集的智能极限学习机和剪枝加权极限学习机 | 第81-102页 |
| 5.1 引言 | 第81页 |
| 5.2 不平衡数据集对极限学习机算法性能的影响 | 第81-83页 |
| 5.2.1 分类问题 | 第81-83页 |
| 5.2.2 函数逼近问题 | 第83页 |
| 5.3 面向不平衡数据集的量子行为粒子群优化极限学习机 | 第83-87页 |
| 5.3.1 面向不平衡数据集的量子行为粒子群优化极限学习机算法 | 第84-85页 |
| 5.3.2 实验分析 | 第85-87页 |
| 5.4 加权极限学习机 | 第87-101页 |
| 5.4.1 加权极限学习机算法 | 第87-89页 |
| 5.4.2 自适应剪枝加权极限学习机 | 第89-90页 |
| 5.4.3 实验分析 | 第90-101页 |
| 5.5 本章小结 | 第101-102页 |
| 第6章 不平衡数据分类算法在基因表达数据处理中的应用 | 第102-115页 |
| 6.1 引言 | 第102页 |
| 6.2 基因表达数据的获取与表示 | 第102-103页 |
| 6.3 基因表达数据的特点 | 第103-104页 |
| 6.4 基因表达数据的特征提取和选择方法 | 第104-105页 |
| 6.4.1 信噪比准则 | 第104-105页 |
| 6.4.2 主成分分析 | 第105页 |
| 6.5 实际基因表达数据分类研究 | 第105-113页 |
| 6.6 本章小结 | 第113-115页 |
| 第7章 结束语 | 第115-117页 |
| 7.1 论文总结 | 第115-116页 |
| 7.2 工作展望 | 第116-117页 |
| 参考文献 | 第117-127页 |
| 致谢 | 第127-128页 |
| 攻读博士学位期间完成的论文 | 第128-129页 |
| 攻读博士学位期间参加的课题 | 第129页 |
