| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第10-19页 |
| 1.1 本文的研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.3 本文的主要研究内容 | 第17-18页 |
| 1.4 本文的组织结构 | 第18-19页 |
| 2 相关知识和理论 | 第19-28页 |
| 2.1 数据挖掘以及离群点检测概述 | 第19-22页 |
| 2.1.1 数据挖掘概述 | 第19-20页 |
| 2.1.1.1 数据挖掘研究的内容与目标 | 第19页 |
| 2.1.1.2 数据挖掘解决的五大类问题 | 第19-20页 |
| 2.1.2 离群点检测概述 | 第20-22页 |
| 2.1.2.1 离群点的概念与成因 | 第20-21页 |
| 2.1.2.2 离群点检测的方法 | 第21-22页 |
| 2.2 选择性集成学习概述 | 第22-25页 |
| 2.2.1 选择性集成学习的概念与特点 | 第22-23页 |
| 2.2.2 选择性集成学习的方法 | 第23-25页 |
| 2.3 粗糙集理论概述 | 第25-27页 |
| 2.4 证据理论概述 | 第27-28页 |
| 3 ELAR算法及其在离群点检测中的应用 | 第28-45页 |
| 3.1 基于近似约简的集成学习算法ELAR | 第28-34页 |
| 3.1.1 近似约简的来源 | 第28-30页 |
| 3.1.2 近似约简与基于近似约简的集成学习算法ELAR | 第30-32页 |
| 3.1.3 基于近似约简的集成学习流程与实例 | 第32-34页 |
| 3.2 ELAR在离群点检测中的应用 | 第34-39页 |
| 3.2.1 集成学习在离群点检测中的应用讨论 | 第34-35页 |
| 3.2.2 实验环境与实验数据 | 第35-37页 |
| 3.2.3 实验步骤与设置 | 第37页 |
| 3.2.4 实验结果 | 第37-39页 |
| 3.3 基于近似约简和最佳抽样的选择性集成算法SE_AROS | 第39-44页 |
| 3.3.1 SE_AROS的来源 | 第39页 |
| 3.3.2 证据理论KNN算法介绍 | 第39-40页 |
| 3.3.3 SE_AROS算法 | 第40-42页 |
| 3.3.4 实验分析 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 ELSR算法及其在离群点检测中的应用 | 第45-54页 |
| 4.1 当前的集成学习算法的特点及其存在的问题 | 第45页 |
| 4.2 ELSR算法 | 第45-48页 |
| 4.3 实验分析 | 第48-52页 |
| 4.4 ELSR在离群点检测中的应用 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 5 NSERGS算法及其在离群点检测中的应用 | 第54-64页 |
| 5.1 选择性集成学习存在的问题 | 第54-55页 |
| 5.2 NSERGS算法的来源 | 第55页 |
| 5.3 NSERGS算法 | 第55-58页 |
| 5.3.1 算法原理 | 第55-57页 |
| 5.3.2 算法步骤与复杂度分析 | 第57-58页 |
| 5.4 实验分析 | 第58-62页 |
| 5.4.1 算法性能评估 | 第58-62页 |
| 5.4.2 算法建模时间评估 | 第62页 |
| 5.5 NSERGS在离群点检测中的应用 | 第62-63页 |
| 5.6 本章小结 | 第63-64页 |
| 总结与展望 | 第64-67页 |
| 参考文献 | 第67-75页 |
| 致谢 | 第75-76页 |
| 攻读硕士期间发表的学术论文 | 第76-78页 |