| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 选题背景及研究意义 | 第10-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 主要研究内容与创新点 | 第13-14页 |
| 1.4 本文章节安排 | 第14-15页 |
| 第二章 一致性预测器概述 | 第15-24页 |
| 2.1 一致性预测器 | 第15-18页 |
| 2.1.1 一致性预测器原理 | 第15-17页 |
| 2.1.2 一致性预测的算法流程 | 第17-18页 |
| 2.2 奇异度量函数 | 第18-20页 |
| 2.2.1 基于K近邻的奇异度量函数 | 第18-19页 |
| 2.2.2 奇异值度量函数其它设计方法 | 第19-20页 |
| 2.3 现有的一致性预测器改进算法 | 第20-23页 |
| 2.3.1 归纳式一致性预测器算法 | 第20-22页 |
| 2.3.2 蒙德里安一致性预测器算法 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于度量学习的一致性预测器研究 | 第24-38页 |
| 3.1 距离度量学习算法简介 | 第24-29页 |
| 3.1.1 局部Fisher判别分析算法(LFDA) | 第25-26页 |
| 3.1.2 判别成分分析算法(DCA) | 第26-27页 |
| 3.1.3 大间隔近邻算法(LMNN) | 第27-29页 |
| 3.2 基于度量学习的一致性预测器算法 | 第29-31页 |
| 3.2.1 基于度量学习一致性预测器算法原理 | 第29-30页 |
| 3.2.2 算法时间复杂度分析 | 第30-31页 |
| 3.3 实验与分析 | 第31-36页 |
| 3.3.1 实验数据 | 第31-32页 |
| 3.3.2 实验指标 | 第32页 |
| 3.3.3 实验对比分析 | 第32-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 基于聚类的一致性预测器算法研究 | 第38-63页 |
| 4.1 现有处理非平衡的算法 | 第39-41页 |
| 4.2 基于聚类的一致性预测器算法 | 第41-45页 |
| 4.2.1 基于聚类抽样的一致性预测器算法原理 | 第41-43页 |
| 4.2.2 基于聚类划分的一致性预测器算法原理 | 第43-45页 |
| 4.2.3 算法时间复杂度分析 | 第45页 |
| 4.3 实验与分析 | 第45-62页 |
| 4.3.1 实验数据 | 第46-47页 |
| 4.3.2 实验指标 | 第47-49页 |
| 4.3.3 实验对比分析 | 第49-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 本文研究总结 | 第63页 |
| 5.2 研究课题展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 附录 | 第70-71页 |
| 致谢 | 第71页 |