| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第15-26页 |
| 1.1 研究背景及意义 | 第15-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 数据挖掘技术的研究现状 | 第18-19页 |
| 1.2.2 数据流分类技术的研究现状 | 第19-21页 |
| 1.3 本文的主要贡献与创新 | 第21-23页 |
| 1.4 本文的组织结构 | 第23-26页 |
| 第2章 相关研究 | 第26-47页 |
| 2.1 数据流概述 | 第26-27页 |
| 2.2 数据流挖掘 | 第27-31页 |
| 2.2.1 数据流挖掘的特点 | 第27-28页 |
| 2.2.2 数据流的基本技术 | 第28-31页 |
| 2.3 概念漂移 | 第31-34页 |
| 2.3.1 概念漂移定义 | 第32页 |
| 2.3.2 概念漂移类型 | 第32-34页 |
| 2.4 概念漂移的处理方法 | 第34-42页 |
| 2.4.1 主动方法 | 第34-38页 |
| 2.4.2 被动方法 | 第38-42页 |
| 2.5 不平衡数据流分类算法 | 第42-44页 |
| 2.6 评估指标 | 第44-45页 |
| 2.7 常用的概念漂移数据集 | 第45-46页 |
| 2.8 本章小结 | 第46-47页 |
| 第3章 基于概念漂移检测的数据流集成分类算法 | 第47-70页 |
| 3.1 引言 | 第47-49页 |
| 3.2 概念描述 | 第49-51页 |
| 3.3 概念漂移检测机制 | 第51-52页 |
| 3.4 重现型概念识别机制 | 第52-54页 |
| 3.5 概念分离和集成更新机制 | 第54-55页 |
| 3.6 加权机制和集成决策 | 第55-56页 |
| 3.7 知识最大化数据流集成分类器 | 第56-58页 |
| 3.8 计算复杂度分析 | 第58-59页 |
| 3.9 仿真实验与结果分析 | 第59-69页 |
| 3.9.1 实验启动 | 第59-61页 |
| 3.9.2 数据集描述 | 第61-62页 |
| 3.9.3 算法机制分析 | 第62-64页 |
| 3.9.4 对比实验 | 第64-69页 |
| 3.9.5 对比实验结果的统计分析 | 第69页 |
| 3.10 本章小结 | 第69-70页 |
| 第4章 基于重采样的不平衡数据流集成分类算法 | 第70-95页 |
| 4.1 引言 | 第70-72页 |
| 4.2 基于逐渐重采样机制的数据流集成分类器 | 第72-75页 |
| 4.3 选择性重采样机制 | 第75-77页 |
| 4.4 集成更新机制 | 第77-78页 |
| 4.5 集成成员加权机制和集成决策 | 第78-80页 |
| 4.6 仿真实验与结果分析 | 第80-93页 |
| 4.6.1 数据集 | 第80-81页 |
| 4.6.2 实验启动 | 第81-83页 |
| 4.6.3 算法机制分析 | 第83-84页 |
| 4.6.4 对比实验 | 第84-91页 |
| 4.6.5 对比实验结果的统计分析 | 第91-92页 |
| 4.6.6 时间效率分析 | 第92-93页 |
| 4.7 本章小结 | 第93-95页 |
| 第5章 可应对复杂数据分布的不平衡数据流集成分类算法 | 第95-123页 |
| 5.1 引言 | 第96-97页 |
| 5.2 基于选择性重采样的集成分类器 | 第97-107页 |
| 5.2.1 选择性重采样机制 | 第97-103页 |
| 5.2.2 周期性更新机制 | 第103-106页 |
| 5.2.3 集成成员加权机制 | 第106-107页 |
| 5.3 时间复杂度分析 | 第107-108页 |
| 5.4 实验研究 | 第108-121页 |
| 5.4.1 实验启动 | 第108-110页 |
| 5.4.2 数据集描述 | 第110-112页 |
| 5.4.3 实验1:数据块大小的分析 | 第112-114页 |
| 5.4.4 实验2:对比实验 | 第114-119页 |
| 5.4.5 对比实验结果的统计分析 | 第119-121页 |
| 5.5 本章小结 | 第121-123页 |
| 结论 | 第123-126页 |
| 参考文献 | 第126-137页 |
| 致谢 | 第137-139页 |
| 附录A 攻读学位期间所发表的学术论文 | 第139-140页 |
| 附录B 攻读学位期间参与的研究项目 | 第140页 |