| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12页 |
| 1.3 问题的提出和本文主要工作 | 第12-13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第2章 相关工作概述 | 第15-29页 |
| 2.1 ELM | 第15-19页 |
| 2.1.1 ELM的提出 | 第15-16页 |
| 2.1.2 极限学习机算法描述 | 第16-18页 |
| 2.1.3 PELM的提出 | 第18-19页 |
| 2.2 Mapreduce | 第19-22页 |
| 2.2.1 MapReduce编程模型 | 第19-21页 |
| 2.2.2 Hadoop平台 | 第21-22页 |
| 2.3 不确定数据挖掘概述 | 第22-25页 |
| 2.3.1 不确定数据产生原因 | 第22-23页 |
| 2.3.2 不确定数据模型 | 第23-24页 |
| 2.3.3 不确定数据分类算法 | 第24-25页 |
| 2.4 数据流分类算法及其概念漂移的处理 | 第25-28页 |
| 2.4.1 数据流及概念漂移 | 第25页 |
| 2.4.2 数据流分类算法简述 | 第25-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于不确定数据的分布式极限学习机算法 | 第29-39页 |
| 3.1 不确定数据的相关问题 | 第29-30页 |
| 3.1.1 不确定数据模型 | 第29页 |
| 3.1.2 不确定数据的分类方法 | 第29-30页 |
| 3.2 分布式极限学习机算法 | 第30-37页 |
| 3.2.1 PELM | 第30-31页 |
| 3.2.2 DELM算法的矩阵划分方法 | 第31-32页 |
| 3.2.3 基于并行矩阵分块乘法的DELM算法详细描述 | 第32-37页 |
| 3.3 本章小结 | 第37-39页 |
| 第4章 基于分布式ELM的加权集成数据流分类算法 | 第39-53页 |
| 4.1 WE-DELM算法提出的背景知识 | 第39-41页 |
| 4.1.1 不确定数据流 | 第39页 |
| 4.1.2 WEC算法 | 第39-40页 |
| 4.1.3 概念漂移数据流分类器的构建 | 第40页 |
| 4.1.4 概念漂移的检测 | 第40-41页 |
| 4.2 算法WE-DELM的基本思想 | 第41-42页 |
| 4.3 算法主要过程描述 | 第42-44页 |
| 4.3.1 新分类器建立及权值调整 | 第43-44页 |
| 4.3.2 分类器更新与裁减 | 第44页 |
| 4.4 算法WE-DELM的详细描述 | 第44-46页 |
| 4.5 基于概念缓冲的CBWE-DELM算法的主要思想及框架模型 | 第46-48页 |
| 4.6 基于概念缓冲的CBWE-DELM算法的详细描述 | 第48-51页 |
| 4.7 本章小结 | 第51-53页 |
| 第5章 实验及结果分析 | 第53-63页 |
| 5.1 实验环境 | 第53页 |
| 5.2 数据集 | 第53-55页 |
| 5.3 实验分析 | 第55-61页 |
| 5.3.1 大数据集下准确率及效率的对比 | 第55-56页 |
| 5.3.2 大数据集下加速比及扩展性的对比 | 第56-57页 |
| 5.3.3 DELM算法分块策略的影响 | 第57-58页 |
| 5.3.4 不确定数据流环境下WE-DELM与DCE,UCVFDT的对比 | 第58-60页 |
| 5.3.5 概念往复不确定数据流环境下算法性能的对比 | 第60-61页 |
| 5.4 本章小结 | 第61-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 本文总结 | 第63页 |
| 6.2 工作展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-73页 |
| 攻硕期间参与项目及发表的论文 | 第73页 |
