| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究背景及意义 | 第9-10页 |
| 1.3 研究现状及存在的问题 | 第10-12页 |
| 1.4 研究内容与组织结构 | 第12-14页 |
| 第2章 相关理论基础 | 第14-29页 |
| 2.1 集成学习 | 第14-18页 |
| 2.1.1 Boosting | 第14-16页 |
| 2.1.2 Bagging | 第16-18页 |
| 2.2 主动学习 | 第18-23页 |
| 2.2.1 主动学习模型 | 第18-20页 |
| 2.2.3 主动学习分类 | 第20-21页 |
| 2.2.4 基于专家委员会的主动学习 | 第21-23页 |
| 2.3 半监督学习 | 第23-25页 |
| 2.4 极限学习机 | 第25-29页 |
| 2.4.1 单隐层前馈神经网络(SLFN)模型 | 第25-27页 |
| 2.4.2 极限学习机算法 | 第27-29页 |
| 第3章 流数据环境下基于分歧策略的高效能集成学习方法 | 第29-40页 |
| 3.1 引言 | 第29-30页 |
| 3.2 基于分歧策略的高效集成学习 | 第30-34页 |
| 3.2.1 分类问题中的分歧度定义 | 第30-31页 |
| 3.2.2 基于分歧度的样本选择策略 | 第31页 |
| 3.2.3 基于分歧策略的高效集成学习算法 | 第31-34页 |
| 3.3 实验结果与分析 | 第34-39页 |
| 3.3.1 数据集 | 第34-35页 |
| 3.3.2 实验结果及分析 | 第35-39页 |
| 3.4 总结 | 第39-40页 |
| 第4章 半监督极限集成学习高效分类方法 | 第40-49页 |
| 4.1 引言 | 第40-41页 |
| 4.2 融合半监督策略的极限集成学习 | 第41-45页 |
| 4.2.1 半监督策略集成学习 | 第41-43页 |
| 4.2.2 极限学习机(ELM)算法简介 | 第43-44页 |
| 4.2.3 融合半监督策略的极限集成学习算法 | 第44-45页 |
| 4.3 实验结果及分析 | 第45-48页 |
| 4.3.1 数据集 | 第45页 |
| 4.3.2 实验结果及分析 | 第45-48页 |
| 4.4 总结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54-55页 |
| 在学期间发表的学术论文与研究成果 | 第55页 |