| 提要 | 第1-8页 |
| 第一章 绪论 | 第8-42页 |
| ·研究背景与意义 | 第8-11页 |
| ·国内外研究进展概述 | 第11-26页 |
| ·实现方法研究 | 第11-21页 |
| ·理论研究 | 第21-26页 |
| ·应用研究 | 第26页 |
| ·分类器集成的基本概念 | 第26-38页 |
| ·系统组成结构 | 第30-31页 |
| ·成员分类器的结果表达方式 | 第31-32页 |
| ·分类结果组合方法 | 第32-38页 |
| ·分类器集成研究存在的问题 | 第38-39页 |
| ·论文主要研究内容 | 第39-40页 |
| ·论文总体结构 | 第40-42页 |
| 第二章 基于聚类的分类器集成学习 | 第42-65页 |
| ·集成的性能与多样性 | 第42-46页 |
| ·分类器性能和多样性度量方法 | 第46-52页 |
| ·分类器的性能度量 | 第46-47页 |
| ·多样性的度量 | 第47-52页 |
| ·基于聚类的分类器集成方法 | 第52-60页 |
| ·成员分类器的生成方法 | 第53-58页 |
| ·聚类选择 | 第58-59页 |
| ·结论组合 | 第59-60页 |
| ·实验及分析 | 第60-64页 |
| ·小结 | 第64-65页 |
| 第三章 基于特征集优化选择的分类器集成学习 | 第65-85页 |
| ·特征选择 | 第65-68页 |
| ·分类器学习中的Hughes现象 | 第65-66页 |
| ·特征选择与提取 | 第66-68页 |
| ·基于特征选择的分类器集成方法 | 第68-70页 |
| ·EDA优化算法 | 第70-77页 |
| ·遗传算法及其存在的问题 | 第70-72页 |
| ·EDAs算法的演化及分类 | 第72-77页 |
| ·基于特征集优化选择的分类器集成方法 | 第77-82页 |
| ·候选特征集合的生成 | 第78页 |
| ·种群描述及适应度度量 | 第78-79页 |
| ·BN概率模型 | 第79-82页 |
| ·新个体的生成 | 第82页 |
| ·实验 | 第82-83页 |
| ·小结 | 第83-85页 |
| 第四章 面向缺失数据的分类器集成学习 | 第85-116页 |
| ·缺失数据集处理的研究状况 | 第85-90页 |
| ·数据缺失机制与原因 | 第90-93页 |
| ·缺失数据处理方法 | 第93-99页 |
| ·删除法 | 第93页 |
| ·参数估计法 | 第93-94页 |
| ·单值插补法 | 第94-97页 |
| ·多值插补法 | 第97-99页 |
| ·面向缺失数据的分类器集成方法 | 第99-110页 |
| ·缺失模式学习 | 第100-104页 |
| ·构建分类器 | 第104-107页 |
| ·分类测试 | 第107-110页 |
| ·实验分析及讨论 | 第110-114页 |
| ·数据集 | 第110-111页 |
| ·性能比较与讨论 | 第111-114页 |
| ·小结 | 第114-116页 |
| 第五章 基于集成的分类器增量学习 | 第116-141页 |
| ·增量学习及概念飘移现象 | 第116-122页 |
| ·增量学习的意义及方法 | 第116-119页 |
| ·概念飘移 | 第119-122页 |
| ·朴素Bayes分类器增量学习 | 第122-126页 |
| ·参数估计的递归贝叶斯方法 | 第123-124页 |
| ·基于递归贝叶斯方法的朴素Bayes分类器增量学习 | 第124-126页 |
| ·基于集成的朴素Bayes分类器增量学习 | 第126-133页 |
| ·基于假设检验的概念飘移检测 | 第128-130页 |
| ·分类系统的更新 | 第130-132页 |
| ·对新样本的分类 | 第132页 |
| ·参数分析 | 第132-133页 |
| ·实验 | 第133-140页 |
| ·数据集 | 第134-135页 |
| ·性能比较 | 第135-139页 |
| ·讨论 | 第139-140页 |
| ·小结 | 第140-141页 |
| 第六章 结论 | 第141-144页 |
| 参考文献 | 第144-162页 |
| 攻读博士学位期间的研究成果 | 第162-163页 |
| 致谢 | 第163-164页 |
| 摘要 | 第164-168页 |
| Abstract | 第168-170页 |