| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 2 数据流相关学习技术研究 | 第17-26页 |
| 2.1 相关概念 | 第17-18页 |
| 2.2 数据流分类算法综述 | 第18-22页 |
| 2.2.1 数据流单分类器算法 | 第19-20页 |
| 2.2.2 数据流集成分类算法 | 第20-22页 |
| 2.3 数据流中的窗口策略 | 第22-24页 |
| 2.4 数据流中的加权技术 | 第24页 |
| 2.5 本章总结 | 第24-26页 |
| 3 基于动态特征加权的数据流贝叶斯分类算法 | 第26-37页 |
| 3.1 预备知识 | 第26-29页 |
| 3.1.1 贝叶斯理论 | 第26-27页 |
| 3.1.2 特征漂移 | 第27-29页 |
| 3.2 基于信息增益率的特征选择度量 | 第29-30页 |
| 3.3 基于信息增益率动态特征加权的贝叶斯分类算法 | 第30-36页 |
| 3.3.1 算法基本思想 | 第31-32页 |
| 3.3.2 滑动窗口下动态更新特征分裂信息 | 第32-34页 |
| 3.3.3 动态特征加权贝叶斯分类算法 | 第34-36页 |
| 3.4 算法复杂度分析 | 第36页 |
| 3.5 本章总结 | 第36-37页 |
| 4 数据流动态特征空间的贝叶斯集成算法 | 第37-48页 |
| 4.1 预备知识 | 第37-40页 |
| 4.1.1 数据流动态特征空间 | 第37-39页 |
| 4.1.2 数据流中的概念重现 | 第39-40页 |
| 4.2 基于数据流概念演变的贝叶斯集成学习 | 第40-47页 |
| 4.2.1 算法基本思想 | 第40-42页 |
| 4.2.2 概念相似性度量 | 第42-44页 |
| 4.2.3 算法描述 | 第44-47页 |
| 4.3 本章总结 | 第47-48页 |
| 5 实验设计及结果分析 | 第48-67页 |
| 5.1 实验环境及数据集 | 第48-51页 |
| 5.1.1 实验平台介绍 | 第48页 |
| 5.1.2 数据集 | 第48-51页 |
| 5.2 实验评价模型 | 第51-52页 |
| 5.3 DFWNB算法的性能分析 | 第52-58页 |
| 5.3.1 对比实验 | 第52-56页 |
| 5.3.2 参数设置 | 第56-58页 |
| 5.4 DFS-ENB算法的性能分析 | 第58-66页 |
| 5.4.1 对比实验 | 第58-65页 |
| 5.4.2 运行时间 | 第65-66页 |
| 5.5 本章总结 | 第66-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 结论 | 第67-68页 |
| 6.2 未来期望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第74-76页 |
| 学位论文数据集 | 第76页 |