基于余弦相似度的概念漂移数据流分类方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 研究目的及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 本文的研究工作 | 第12页 |
| 1.4 文本结构框架 | 第12-14页 |
| 2 相关工作 | 第14-19页 |
| 2.1 极限学习机 | 第14-17页 |
| 2.1.1 ELM基础 | 第14-15页 |
| 2.1.2 ELM的模型建立及求解 | 第15-17页 |
| 2.2 差分进化算法 | 第17-18页 |
| 2.2.1 DE的研究现状 | 第17页 |
| 2.2.2 DE的过程描述 | 第17-18页 |
| 2.3 余弦相似度 | 第18-19页 |
| 3 基于余弦相似度的概念漂移数据流分类算法 | 第19-34页 |
| 3.1 引言 | 第19-20页 |
| 3.2 算法设计与描述 | 第20-24页 |
| 3.2.1 参数单侧置信区间估计 | 第20-21页 |
| 3.2.2 余弦相似度检测概念漂移 | 第21-22页 |
| 3.2.3 算法描述 | 第22-24页 |
| 3.3 实验分析与讨论 | 第24-32页 |
| 3.3.1 实验数据 | 第24-25页 |
| 3.3.2 相关概念漂移检测算法介绍 | 第25页 |
| 3.3.3 概念漂移检测分析 | 第25-28页 |
| 3.3.4 概念漂移数据流分类性能比较 | 第28-32页 |
| 3.4 小结 | 第32-34页 |
| 4 基于差分进化的极限学习机选择集成分类 | 第34-43页 |
| 4.1 引言 | 第34页 |
| 4.2 算法设计与描述 | 第34-35页 |
| 4.3 实验分析与讨论 | 第35-42页 |
| 4.3.1 静态数据实验 | 第35-39页 |
| 4.3.2 动态数据实验 | 第39-42页 |
| 4.4 小结 | 第42-43页 |
| 5 结论与展望 | 第43-44页 |
| 参考文献 | 第44-48页 |
| 攻读硕士学位期间发表学术论文情况 | 第48-49页 |
| 致谢 | 第49页 |
