| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| List of Symbols | 第17-18页 |
| Chapter 1 Introduction | 第18-26页 |
| 1.1 Background | 第18-19页 |
| 1.2 Motivation | 第19-21页 |
| 1.3 Data Stream Model | 第21-22页 |
| 1.4 Objectives of Dissertation | 第22-23页 |
| 1.5 Significance of Research | 第23页 |
| 1.6 Dissertation Outline | 第23-26页 |
| Chapter 2 Related Work | 第26-56页 |
| 2.1 Data Mining | 第26页 |
| 2.2 Data Classification | 第26-32页 |
| 2.2.1 Conventional Classification Methods | 第27-28页 |
| 2.2.2 Data Streams Classification Methods | 第28-32页 |
| 2.3 Data Clustering | 第32-54页 |
| 2.3.1 Distance Metric | 第33-34页 |
| 2.3.2 Evaluation Measures | 第34-35页 |
| 2.3.3 Classical Clustering Algorithms | 第35-46页 |
| 2.3.4 Data Stream Clustering | 第46-54页 |
| 2.4 Capturing Concepts from Evolving Data Stream | 第54-55页 |
| 2.5 Summary | 第55-56页 |
| Chapter 3 Data Stream Classification with Strict Probabilistic Bound | 第56-66页 |
| 3.1 Overview | 第56-58页 |
| 3.2 Hoeffding and Empirical Bernstein Bound | 第58-59页 |
| 3.3 Empirical Bernstien Tree Algorithm(EBT) | 第59-61页 |
| 3.4 Experimental Analysis | 第61-65页 |
| 3.4.1 Datasets | 第61页 |
| 3.4.2 Parameter Settings | 第61-62页 |
| 3.4.3 Evaluation on Real and Synthetic Datasets | 第62-65页 |
| 3.5 Summary | 第65-66页 |
| Chapter 4 Classification for Partially-Labeled Data Streams | 第66-81页 |
| 4.1 Overview | 第66-67页 |
| 4.2 Related Work | 第67-70页 |
| 4.3 Classification Framework for Partially Labeled Data Stream | 第70-75页 |
| 4.3.1 Problem Statement | 第70-71页 |
| 4.3.2 Labeling Technique for LLSC | 第71-73页 |
| 4.3.3 Algorithm Description | 第73-75页 |
| 4.4 Experimental Results for LLSC | 第75-80页 |
| 4.4.1 Accuracy Comparison for Varying Window Sizes | 第75页 |
| 4.4.2 Accuracy Comparison for Varying Label Percentage | 第75-79页 |
| 4.4.3 Time Comparison for Varying Label Percentage | 第79-80页 |
| 4.4.4 Time Comparison for Varying Dimensions | 第80页 |
| 4.5 Summary | 第80-81页 |
| Chapter 5 LLSC~(+1):An improved Classification Technique for Partially Labeled Data Stream | 第81-93页 |
| 5.1 Labeling Technique for LLSC~(+1) | 第81-82页 |
| 5.2 Clustering of gridCells | 第82-83页 |
| 5.3 Algorithm Description | 第83-86页 |
| 5.4 Experimental Results | 第86-91页 |
| 5.4.1 Accuracy Comparison of LLSC~(+1) for Varying Window Size | 第86页 |
| 5.4.2 Accuracy Comparison of LLSC~(+1) for Varying Label Percentage | 第86-89页 |
| 5.4.3 Computational Time Comparison of LLSC~(+1) for Varying Label Per-centage | 第89页 |
| 5.4.4 Computational Time Comparison of LLSC~(+1) for Varying Dimensions | 第89-91页 |
| 5.5 Summary | 第91-93页 |
| Chapter 6 On Demand Classification for Unlabeled Data Stream | 第93-117页 |
| 6.1 Overview | 第93-95页 |
| 6.2 Related Work | 第95-97页 |
| 6.3 Background | 第97-103页 |
| 6.3.1 Hyper-ellipsoidal Clustering Algorithm for Resource-Constrained En-vironments(HyCARCE) | 第97页 |
| 6.3.2 Limitations of the HyCARCE Algorithm | 第97-98页 |
| 6.3.3 Hyper-Ellipsoidal Clustering for Evolving Data Stream | 第98-103页 |
| 6.4 The HECES Algorithm | 第103-107页 |
| 6.4.1 Steps of the HECES Algorithm | 第103-105页 |
| 6.4.2 Complexity Analysis of the HECES Algorithm | 第105-107页 |
| 6.5 Experimental Evaluation | 第107-110页 |
| 6.5.1 Datasets | 第107-108页 |
| 6.5.2 Cluster Vaildity Criterion | 第108-109页 |
| 6.5.3 Evaluation of HECES for Synthetic Datasets | 第109-110页 |
| 6.5.4 Evaluation of HECES for Real Datasets | 第110页 |
| 6.6 Summary | 第110-117页 |
| Chapter 7 Conclusions and Future Work | 第117-120页 |
| 7.1 Conclusions | 第117-118页 |
| 7.2 Future Directions | 第118-120页 |
| Acknowledgements | 第120-121页 |
| References | 第121-130页 |
| List of Publications | 第130-131页 |
| Research Fundings | 第131页 |
