| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 时间序列分类研究 | 第11-12页 |
| 1.2.2 时间序列中的半监督学习分类算法 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14页 |
| 1.5 本章小结 | 第14-16页 |
| 第二章 时间序列分析及分类研究基础 | 第16-30页 |
| 2.1 时间序列相关定义 | 第16-18页 |
| 2.2 相似性度量 | 第18-22页 |
| 2.3 时间序列分类模型及其应用 | 第22-25页 |
| 2.3.1 基于相似性的分类算法 | 第22-24页 |
| 2.3.2 基于特征的分类算法 | 第24页 |
| 2.3.3 基于神经网络的分类算法 | 第24-25页 |
| 2.4 半监督分类算法 | 第25-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 一种改进的半监督分类算法 | 第30-42页 |
| 3.1 半监督学习在一类分类问题上的扩展——PU学习 | 第30-31页 |
| 3.2 基于自主训练的半监督分类算法 | 第31-32页 |
| 3.3 一种改进的半监督分类算法 | 第32-36页 |
| 3.3.1 自主训练算法的改进——k-absorb算法 | 第32-35页 |
| 3.3.2 基于PU学习和k-absorb的半监督分类算法 | 第35-36页 |
| 3.4 实验与分析 | 第36-40页 |
| 3.4.1 实验环境与数据 | 第36-37页 |
| 3.4.2 实验结果与分析 | 第37-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于BP神经网络和半监督学习的时间序列分类模型 | 第42-58页 |
| 4.1 一种基于BP和朴素贝叶斯的BP_NB分类算法 | 第42-48页 |
| 4.1.1 朴素贝叶斯分类器 | 第42-43页 |
| 4.1.2 BP神经网络 | 第43-44页 |
| 4.1.3 BP_NB时间序列分类算法 | 第44-48页 |
| 4.2 基于BP神经网络和半监督学习的时间序列分类模型 | 第48-51页 |
| 4.2.1 利用BP_NB算法训练基准分类器 | 第48-49页 |
| 4.2.2 利用k-absorb算法扩大标记序列集 | 第49页 |
| 4.2.3 基于BP_NB和k-absorb的时间序列分类模型 | 第49-51页 |
| 4.3 实验及分析 | 第51-56页 |
| 4.3.1 实验环境与数据 | 第51页 |
| 4.3.2 实验结果与分析 | 第51-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 本文工作总结 | 第58-59页 |
| 5.2 未来工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 攻读硕士学位期间发表的论文 | 第66页 |
