海量动态数据流分类方法研究
| 摘要 | 第1-8页 |
| Abstract | 第8-19页 |
| 1 绪论 | 第19-39页 |
| ·研究背景及意义 | 第20-25页 |
| ·研究背景 | 第20-24页 |
| ·研究意义 | 第24-25页 |
| ·国内外研究现状 | 第25-35页 |
| ·数据流挖掘研究现状 | 第25-30页 |
| ·数据流单分类模型研究现状 | 第30-32页 |
| ·数据流集成分类模型研究现状 | 第32-35页 |
| ·论文的主要研究内容 | 第35-36页 |
| ·论文的组织结构 | 第36-39页 |
| 2 基于集成学习的数据流分类方法 | 第39-59页 |
| ·引言 | 第39-41页 |
| ·问题提出 | 第41页 |
| ·相关工作 | 第41-49页 |
| ·集成学习理论 | 第41-43页 |
| ·支持向量机模型 | 第43-46页 |
| ·自组织映射模型 | 第46-48页 |
| ·粒子群算法和遗传算法 | 第48-49页 |
| ·基于SVM-SOM的数据流分类模型 | 第49-52页 |
| ·实验及结果分析 | 第52-58页 |
| ·实验数据 | 第52页 |
| ·归一化比较实验 | 第52-56页 |
| ·个体分类器优化 | 第56页 |
| ·模型比较实验 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 3 基于增量式学习数据流分类方法 | 第59-78页 |
| ·引言 | 第59-60页 |
| ·问题提出 | 第60页 |
| ·相关工作 | 第60-69页 |
| ·传统分类模型学习方式 | 第60-63页 |
| ·增量式学习及相关算法介绍 | 第63-69页 |
| ·基于轮转式结构的增量式数据流分类模型 | 第69-72页 |
| ·实验及结果分析 | 第72-77页 |
| ·实验数据 | 第73页 |
| ·归一化方法验证实验 | 第73-74页 |
| ·轮转式多分类器模型构建方案实验 | 第74-76页 |
| ·模型比较性实验 | 第76-77页 |
| ·本章小结 | 第77-78页 |
| 4 基于概念漂移检测的数据流分类方法 | 第78-107页 |
| ·引言 | 第78-79页 |
| ·问题提出 | 第79-80页 |
| ·相关工作 | 第80-84页 |
| ·概念漂移介绍 | 第80-82页 |
| ·概念漂移检测方法 | 第82-84页 |
| ·基于概念漂移检测的数据流分类模型及可视化方法 | 第84-93页 |
| ·基于KL-distance的数据流分类模型 | 第84-91页 |
| ·概念漂移可视化方法 | 第91-93页 |
| ·实验及结果分析 | 第93-105页 |
| ·实验数据 | 第93-96页 |
| ·人工数据实验结果 | 第96-98页 |
| ·真实数据实验结果 | 第98-99页 |
| ·遗忘机制实验结果 | 第99-100页 |
| ·周期性数据实验 | 第100-101页 |
| ·概念漂移可视化实验 | 第101-105页 |
| ·本章总结 | 第105-107页 |
| 5 结论与展望 | 第107-109页 |
| ·结论 | 第107页 |
| ·创新点摘要 | 第107-108页 |
| ·展望 | 第108-109页 |
| 参考文献 | 第109-125页 |
| 攻读博士学位期间科研项目及科研成果 | 第125-126页 |
| 致谢 | 第126-127页 |
| 作者简介 | 第127-128页 |
