| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究背景及意义 | 第9-10页 |
| 1.3 研究现状及存在的问题 | 第10-11页 |
| 1.4 研究内容 | 第11页 |
| 1.5 本文组织结构 | 第11-12页 |
| 1.6 本章小结 | 第12-13页 |
| 第2章 相关研究 | 第13-21页 |
| 2.1 引言 | 第13页 |
| 2.2 流数据中的基本概念和术语 | 第13-14页 |
| 2.3 概念漂移的问题描述 | 第14-15页 |
| 2.4 概念漂移的分类及处理 | 第15-16页 |
| 2.5 概念漂移检测机制 | 第16-19页 |
| 2.5.1 概率分布 | 第17-18页 |
| 2.5.2 分类精度 | 第18页 |
| 2.5.3 特征关联 | 第18-19页 |
| 2.5.4 分类模型的特性 | 第19页 |
| 2.6 常用的概念漂移数据集 | 第19-20页 |
| 2.7 本章小结 | 第20-21页 |
| 第3章 基于交叠数据窗距离测度的在线概念漂移检测 | 第21-34页 |
| 3.1 引言 | 第21-22页 |
| 3.2 概念漂移检测方法 | 第22-23页 |
| 3.3 算法步骤和分析 | 第23-25页 |
| 3.3.1 算法步骤 | 第23-24页 |
| 3.3.2 算法分析 | 第24-25页 |
| 3.4 实验分析与结果 | 第25-33页 |
| 3.4.1 数据窗参数对漂移检测的影响分析 | 第25-27页 |
| 3.4.2 本文方法与其它方法的比较 | 第27-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于数据窗相关性分析的在线概念漂移检测 | 第34-46页 |
| 4.1 引言 | 第34页 |
| 4.2 概念漂移检测算法—Stream_SVD_CCA | 第34-36页 |
| 4.3 算法步骤和分析 | 第36-38页 |
| 4.3.1 stream_SVD_CCA 算法主要步骤 | 第36-37页 |
| 4.3.2 stream_SVD_CCA 算法分析 | 第37-38页 |
| 4.4 实验分析与结果 | 第38-45页 |
| 4.4.1 人工数据集上的漂移检测 | 第38-41页 |
| 4.4.2 半人工数据集上的漂移检测 | 第41-44页 |
| 4.4.3 真实数据集上的的漂移检测 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 基于在线集成学习差异性处理概念漂移的研究 | 第46-52页 |
| 5.1 引言 | 第46页 |
| 5.2 概念漂移处理机制和方法 | 第46-48页 |
| 5.2.1 基于决策树算法处理概念漂移 | 第46-47页 |
| 5.2.2 基于实例选择的方法处理概念漂移 | 第47页 |
| 5.2.3 基于实例加权的方法处理概念漂移 | 第47页 |
| 5.2.4 基于集成学习的方法处理概念漂移 | 第47-48页 |
| 5.3 在线集成学习差异性处理概念漂移 | 第48-51页 |
| 5.3.1 具体实施方案 | 第48-50页 |
| 5.3.2 实验结果 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第6章 结论与展望 | 第52-54页 |
| 6.1 本文总结 | 第52页 |
| 6.2 未来展望 | 第52-54页 |
| 参考文献 | 第54-60页 |
| 致谢 | 第60-61页 |
| 在学期间发表的学术论文与研究成果 | 第61页 |
