| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 国内外研究进展 | 第10-12页 |
| 1.3 论文研究安排 | 第12-14页 |
| 第二章 相关背景知识介绍 | 第14-23页 |
| 2.1 IPTV技术介绍 | 第14-15页 |
| 2.2 数据驱动的用户QoE分析 | 第15-22页 |
| 2.2.1 数据驱动的分析方法 | 第15-18页 |
| 2.2.2 常用的机器学习方法 | 第18-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 数据预处理与特征选择 | 第23-42页 |
| 3.1 数据集及数据预处理 | 第23-27页 |
| 3.1.1 数据集 | 第23-24页 |
| 3.1.2 数据预处理 | 第24-27页 |
| 3.2 特征提取和特征选择 | 第27-30页 |
| 3.2.1 特征提取算法 | 第27-29页 |
| 3.2.2 特征选择算法 | 第29-30页 |
| 3.3 基于Relief和聚类的混合特征选择算法 | 第30-35页 |
| 3.4 仿真及结果分析 | 第35-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于加权KNN-CART回归树的IPTV用户参与度预测算法 | 第42-52页 |
| 4.1 传统的回归算法 | 第42-44页 |
| 4.1.1 k近邻回归算法 | 第42-43页 |
| 4.1.2 分类回归树 | 第43-44页 |
| 4.2 基于加权KNN-CART回归树的IPTV用户参与度预测算法 | 第44-47页 |
| 4.3 仿真及结果分析 | 第47-50页 |
| 4.3.1 回归模型评价策略 | 第48页 |
| 4.3.2 仿真结果分析 | 第48-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第五章 基于改进的极限学习机IPTV用户参与度预测算法 | 第52-64页 |
| 5.1 极限学习机 | 第52-57页 |
| 5.2 基于AGNES特征聚类的极限学习机的建模 | 第57-60页 |
| 5.3 仿真及结果分析 | 第60-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 论文总结 | 第64-65页 |
| 6.2 未来的展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第72-73页 |
| 附录2 攻读硕士学位期间申请的专利 | 第73-74页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第74-75页 |
| 致谢 | 第75页 |
