| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第14-24页 |
| 1.1 研究背景和意义 | 第14-16页 |
| 1.2 研究目标和内容 | 第16-19页 |
| 1.3 论文结构及技术路线 | 第19-24页 |
| 第2章 不均衡数据分类综述 | 第24-48页 |
| 2.1 不均衡数据分类问题 | 第24-30页 |
| 2.1.1 分类 | 第24-26页 |
| 2.1.2 不均衡数据分类 | 第26-30页 |
| 2.2 不均衡数据分类的难点分析 | 第30-33页 |
| 2.3 不均衡数据对传统分类方法的影响 | 第33-35页 |
| 2.4 不均衡数据分类的常用解决策略 | 第35-44页 |
| 2.4.1 数据采样方法 | 第35-39页 |
| 2.4.2 代价敏感学习方法 | 第39-40页 |
| 2.4.3 单类分类方法 | 第40页 |
| 2.4.4 集成分类方法 | 第40-43页 |
| 2.4.5 特征选择方法 | 第43页 |
| 2.4.6 其他方法 | 第43-44页 |
| 2.5 不均衡数据分类的性能指标 | 第44-47页 |
| 2.6 本章小结 | 第47-48页 |
| 第3章 基于概率分布估计的混合采样算法研究 | 第48-70页 |
| 3.1 存在的问题及算法创新点 | 第48-50页 |
| 3.2 相关概念和基础方法 | 第50-56页 |
| 3.2.1 SMOTE采样算法 | 第50-51页 |
| 3.2.2 类内不均衡问题 | 第51-53页 |
| 3.2.3 类重叠问题 | 第53-54页 |
| 3.2.4 高斯混合模型 | 第54-56页 |
| 3.3 基于概率分布估计的混合采样算法设计与实现 | 第56-60页 |
| 3.4 实验评估和结果分析 | 第60-68页 |
| 3.4.1 数据集描述 | 第60页 |
| 3.4.2 HPS算法的性能验证 | 第60-64页 |
| 3.4.3 采样率R_(hs)对分类性能的影响及优化 | 第64-66页 |
| 3.4.4 HPS对噪音的鲁棒性测试 | 第66-67页 |
| 3.4.5 HPS对多类数据的采样性能测试 | 第67-68页 |
| 3.5 本章小结 | 第68-70页 |
| 第4章 基于决策准则优化的集成分类算法研究 | 第70-92页 |
| 4.1 存在的问题及算法创新点 | 第70-71页 |
| 4.2 基础方法 | 第71-76页 |
| 4.2.1 代价敏感学习 | 第72-74页 |
| 4.2.2 集成分类 | 第74-75页 |
| 4.2.3 随机子空间集成分类算法 | 第75-76页 |
| 4.3 基于决策准则优化的集成分类算法设计与实现 | 第76-86页 |
| 4.3.1 基于决策阈值优化的二类不均衡数据分类 | 第76-79页 |
| 4.3.2 基于错分代价参数优化的多类不均衡数据分类 | 第79-82页 |
| 4.3.3 自适应随机子空间组合分类算法 | 第82-84页 |
| 4.3.4 结合决策准则参数优化的自适应随机子空间分类算法 | 第84-86页 |
| 4.4 实验评估和结果分析 | 第86-91页 |
| 4.4.1 实验数据集描述 | 第86-87页 |
| 4.4.2 DCO-ARSM算法的性能验证 | 第87-88页 |
| 4.4.3 不均衡数据学习算法的分类性能比较 | 第88-91页 |
| 4.5 本章小结 | 第91-92页 |
| 第5章 基于性能导向优化的元学习算法研究 | 第92-118页 |
| 5.1 存在的问题及算法创新点 | 第92-94页 |
| 5.2 基础方法 | 第94-99页 |
| 5.2.1 群体智能 | 第94-95页 |
| 5.2.2 粒子群优化算法 | 第95-97页 |
| 5.2.3 代价敏感决策树算法 | 第97-99页 |
| 5.3 基于性能导向优化的元学习算法设计与实现 | 第99-108页 |
| 5.4 实验评估和结果分析 | 第108-116页 |
| 5.4.1 实验数据集描述 | 第108-109页 |
| 5.4.2 基于重采样算法的实验对比 | 第109-110页 |
| 5.4.3 基于代价敏感决策树的实验对比 | 第110-112页 |
| 5.4.4 不均衡数据学习算法的分类性能比较 | 第112-116页 |
| 5.5 本章小结 | 第116-118页 |
| 第6章 结合选择性升采样的加权集成分类算法研究 | 第118-136页 |
| 6.1 存在的问题及算法创新点 | 第118-119页 |
| 6.2 相关工作 | 第119-125页 |
| 6.2.1 数据流 | 第119-121页 |
| 6.2.2 概念漂移 | 第121-124页 |
| 6.2.3 不均衡数据流 | 第124-125页 |
| 6.3 结合选择性升采样的加权集成分类算法设计与实现 | 第125-131页 |
| 6.3.1 选择性升采样算法 | 第125-127页 |
| 6.3.2 结合选择性升采样的加权集成分类算法 | 第127-131页 |
| 6.4 实验评估和结果分析 | 第131-134页 |
| 6.4.1 实验设置 | 第131-132页 |
| 6.4.2 验证SOS-PDRWE算法性能 | 第132-133页 |
| 6.4.3 调整SOS采样率对分类性能的影响 | 第133页 |
| 6.4.4 多种升采样算法性能对比分析 | 第133-134页 |
| 6.5 本章小结 | 第134-136页 |
| 第7章 肺结节CAD中不均衡数据分类研究 | 第136-164页 |
| 7.1 存在的问题及算法创新点 | 第136-138页 |
| 7.2 相关工作 | 第138-144页 |
| 7.2.1 计算机辅助检测(CAD) | 第138-140页 |
| 7.2.2 肺结节CAD及去除假阳性技术综述 | 第140-144页 |
| 7.3 三维疑似肺结节检测和特征提取 | 第144-151页 |
| 7.3.1 三维VOI初始检测 | 第144-146页 |
| 7.3.2 三维VOI特征提取 | 第146-151页 |
| 7.4 基于不均衡疑似肺结节数据的分类算法设计与实现 | 第151-156页 |
| 7.4.1 SVM分类算法 | 第151-153页 |
| 7.4.2 基于决策阈值优化的代价敏感SVM集成分类算法 | 第153-154页 |
| 7.4.3 基于性能导向优化的代价敏感SVM分类算法 | 第154-156页 |
| 7.5 实验评估和结果分析 | 第156-162页 |
| 7.5.1 CAD性能评价指标 | 第156页 |
| 7.5.2 验证不均衡疑似肺结节数据对传统SVM分类算法的影响 | 第156-157页 |
| 7.5.3 验证常用不均衡数据算法对不均衡疑似肺结节分类的有效性 | 第157-159页 |
| 7.5.4 验证提出的算法对不均衡疑似肺结节分类的有效性 | 第159-160页 |
| 7.5.5 提出的算法与已有疑似肺结节分类算法的比较 | 第160页 |
| 7.5.6 验证优化参数和目标函数对MOCS-SVM的影响 | 第160-162页 |
| 7.6 本章小结 | 第162-164页 |
| 第8章 全文总结与展望 | 第164-168页 |
| 8.1 本文的主要研究成果 | 第164-165页 |
| 8.2 未来工作展望 | 第165-168页 |
| 参考文献 | 第168-186页 |
| 致谢 | 第186-188页 |
| 攻读学位期间发表的论文及科研工作 | 第188-192页 |
| 个人简介 | 第192页 |
