| 摘要 | 第1-7页 |
| Abstract | 第7-13页 |
| 第1章 绪论 | 第13-25页 |
| ·研究背景 | 第13-14页 |
| ·国内外研究现状 | 第14-21页 |
| ·数据流挖掘研究 | 第15-18页 |
| ·数据流单分类器算法 | 第18-19页 |
| ·数据流集成分类器算法 | 第19-21页 |
| ·论文的研究内容 | 第21-22页 |
| ·论文的组织结构 | 第22-25页 |
| 第2章 数据流与集成学习 | 第25-45页 |
| ·数据流 | 第25-30页 |
| ·数据流的定义及特征 | 第25-26页 |
| ·数据流类型 | 第26页 |
| ·数据流处理模型及其技术 | 第26-30页 |
| ·集成学习 | 第30-42页 |
| ·集成学习理论 | 第30-36页 |
| ·集成分类器方法 | 第36-42页 |
| ·数据流集成分类器框架 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第3章 交叉验证容噪数据流集成分类器算法 | 第45-59页 |
| ·问题的提出 | 第45页 |
| ·相关研究 | 第45-48页 |
| ·PAC学习理论 | 第45-47页 |
| ·噪音数据集样本复杂度分析 | 第47-48页 |
| ·交叉验证容噪分类算法有效性分析及其在数据流上的应用 | 第48-53页 |
| ·交叉验证容噪分类算法 | 第49-50页 |
| ·交叉验证容噪分类算法有效性分析 | 第50-52页 |
| ·容噪数据流集成分类器算法 | 第52-53页 |
| ·仿真实验与结果分析 | 第53-58页 |
| ·评价指标 | 第53-54页 |
| ·仿真结果与实验分析 | 第54-58页 |
| ·本章小结 | 第58-59页 |
| 第4章 基于偏倚抽样的高速数据流集成分类器算法 | 第59-71页 |
| ·问题的提出 | 第59-60页 |
| ·相关研究 | 第60-62页 |
| ·抽样技术 | 第60-61页 |
| ·贝叶斯最优分类理论 | 第61-62页 |
| ·基于偏倚抽样的数据流集成分类器 | 第62-67页 |
| ·集成分类器期望错误的偏差方差分解 | 第62-64页 |
| ·集成分类器分类性能的几何分析 | 第64-65页 |
| ·偏倚抽样概率计算 | 第65-66页 |
| ·个体分类器权值设定 | 第66页 |
| ·基于偏倚抽样的高速数据流集成分类器算法描述 | 第66-67页 |
| ·仿真实验与结果分析 | 第67-70页 |
| ·本章小结 | 第70-71页 |
| 第5章 基于聚类假设半监督数据流集成分类器算法 | 第71-84页 |
| ·问题的提出 | 第71-72页 |
| ·相关研究 | 第72-76页 |
| ·半监督学习 | 第72-74页 |
| ·半监督学习算法 | 第74-76页 |
| ·基于聚类假设的半监督数据流集成分类器算法 | 第76-81页 |
| ·有标签数据对半监督分类算法分类误差影响分析 | 第77-78页 |
| ·平凡半监督数据流集成分类器 | 第78-79页 |
| ·半监督数据流集成分类器 | 第79-80页 |
| ·半监督个体分类器权值设定 | 第80页 |
| ·基于聚类假设的半监督数据流集成分类器算法描述 | 第80-81页 |
| ·仿真实验与结果分析 | 第81-82页 |
| ·本章小结 | 第82-84页 |
| 第6章 两阶段数据流选择性集成分类器算法 | 第84-98页 |
| ·问题的提出 | 第84-85页 |
| ·相关研究 | 第85-93页 |
| ·选择性集成理论 | 第85-86页 |
| ·典型的选择性集成分类器算法 | 第86-88页 |
| ·支持向量机理论 | 第88-91页 |
| ·支持向量数据描述 | 第91-93页 |
| ·两阶段数据流选择性集成分类算法 | 第93-95页 |
| ·基于SVDD的特征空间分割 | 第93-94页 |
| ·数据流选择性集成算法描述 | 第94-95页 |
| ·仿真实验与结果分析 | 第95-97页 |
| ·本章小结 | 第97-98页 |
| 结论 | 第98-100页 |
| 参考文献 | 第100-110页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第110-111页 |
| 致谢 | 第111页 |