| 中文摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 构建特征 | 第12页 |
| 1.2.2 构造分类器 | 第12-13页 |
| 1.2.3 分类器集成 | 第13页 |
| 1.3 目前存在的主要问题 | 第13-14页 |
| 1.4 本文的主要工作 | 第14-15页 |
| 1.5 论文组织结构 | 第15-16页 |
| 第二章 相关理论及技术 | 第16-27页 |
| 2.1 树型模型 | 第16-17页 |
| 2.1.1 随机森林 | 第16-17页 |
| 2.1.2 梯度提升树 | 第17页 |
| 2.2 神经网络 | 第17-25页 |
| 2.2.1 神经网络基础 | 第18-22页 |
| 2.2.2 卷积神经网络 | 第22-23页 |
| 2.2.3 残差网络 | 第23-24页 |
| 2.2.4 门卷积网络 | 第24-25页 |
| 2.3 集成学习 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 实验数据准备及评价指标 | 第27-34页 |
| 3.1 实验数据准备 | 第27-32页 |
| 3.2 评价指标 | 第32-33页 |
| 3.2.1 查准率和查全率 | 第32页 |
| 3.2.2 AUC | 第32-33页 |
| 3.2.3 PR-AUC | 第33页 |
| 3.3 本章小结 | 第33-34页 |
| 第四章 基于神经网络的离网预测模型 | 第34-52页 |
| 4.1 网络结构框架 | 第34-41页 |
| 4.1.1 过度泛化 | 第35-36页 |
| 4.1.2 宽度模型 | 第36-38页 |
| 4.1.3 深度模型 | 第38-40页 |
| 4.1.4 宽度&深度模型拼接 | 第40-41页 |
| 4.2 实验设置 | 第41-44页 |
| 4.2.1 数据准备及评价指标 | 第41页 |
| 4.2.2 实验环境 | 第41页 |
| 4.2.3 模型训练参数设置 | 第41-42页 |
| 4.2.4 对比实验 | 第42-44页 |
| 4.3 实验结果与分析 | 第44-51页 |
| 4.3.1 模型训练时间分析 | 第46-47页 |
| 4.3.2 与深度/宽度模型比较 | 第47-48页 |
| 4.3.3 与浅层神经网络模型比较 | 第48-50页 |
| 4.3.4 与树型模型比较 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 融合多粒度时序特征的离网预测模型 | 第52-63页 |
| 5.1 特征级融合 | 第52-54页 |
| 5.1.1 特征级融合 | 第52-53页 |
| 5.1.2 特征级融合应用于离网预测模型 | 第53-54页 |
| 5.2 决策级融合 | 第54-55页 |
| 5.2.1 决策级融合 | 第54页 |
| 5.2.2 决策级融合应用于离网预测模型 | 第54-55页 |
| 5.3 基于特征级融合+决策级融合利用多粒度时序特征 | 第55页 |
| 5.4 实验设置 | 第55-57页 |
| 5.4.1 数据准备及评价指标 | 第55-56页 |
| 5.4.2 实验环境 | 第56页 |
| 5.4.3 模型训练参数设置 | 第56页 |
| 5.4.4 对比实验 | 第56-57页 |
| 5.5 实验结果分析 | 第57-61页 |
| 5.5.1 特征级融合实验结果 | 第58-59页 |
| 5.5.2 决策级融合实验结果 | 第59-60页 |
| 5.5.3 特征级融合+决策级融合实验结果 | 第60-61页 |
| 5.6 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 工作总结 | 第63-64页 |
| 6.2 工作展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 攻读硕士学位期间主要的工作 | 第71-72页 |
| 致谢 | 第72-73页 |