| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 目录 | 第6-8页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.2.1 数据修复的研究现状 | 第9-10页 |
| 1.2.2 主动学习的研究现状 | 第10页 |
| 1.3 研究内容 | 第10-11页 |
| 1.4 技术路线 | 第11页 |
| 1.5 论文结构 | 第11-13页 |
| 第2章 研究理论和研究方法 | 第13-22页 |
| 2.1 数据缺失 | 第13-18页 |
| 2.1.1 数据缺失分类 | 第13-14页 |
| 2.1.2 数据缺失的原因 | 第14页 |
| 2.1.3 数据缺失处理方法 | 第14-18页 |
| 2.2 Active Learning | 第18-19页 |
| 2.3 支持向量机 | 第19-20页 |
| 2.4 UCI 数据集 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 基于 Active Learning 的数据修复补全策略研究 | 第22-31页 |
| 3.1 问题的提出 | 第24页 |
| 3.2 属性相关和属性剪枝 | 第24-27页 |
| 3.2.1 独立关系 | 第25页 |
| 3.2.2 高耦合关系 | 第25-26页 |
| 3.2.3 多重关系 | 第26-27页 |
| 3.3 多元回归模型生成 | 第27-28页 |
| 3.4 多分类 | 第28-30页 |
| 3.4.1 分类原理 | 第28-30页 |
| 3.4.2 编码模式 | 第30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 基于 Active Learning 的数据修复补全技术研究 | 第31-39页 |
| 4.1 数据修复实现过程 | 第31-32页 |
| 4.2 CutOfAttribute 算法 | 第32-33页 |
| 4.3 回归学习数据修复 | 第33-34页 |
| 4.4 MC-Model 多分类模型 | 第34-38页 |
| 4.4.1 样本集的处理 | 第35-36页 |
| 4.4.2 各维序列获取 | 第36页 |
| 4.4.3 线性可分状态计算 | 第36-37页 |
| 4.4.4 MC-Model 构造 | 第37-38页 |
| 4.5 本章小结 | 第38-39页 |
| 第5章 仿真实验及结果评价 | 第39-49页 |
| 5.1 属性剪枝评价 | 第39-40页 |
| 5.2 MC-Model 分类评价 | 第40-42页 |
| 5.3 数据修复评价 | 第42-47页 |
| 5.4 本章小结 | 第47-49页 |
| 第6章 结论与展望 | 第49-51页 |
| 6.1 主要工作和创新点 | 第49-50页 |
| 6.2 展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54-55页 |
| 攻读学位期间的研究成果 | 第55页 |