| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 第一章 绪论 | 第10-13页 |
| ·研究的背景和意义 | 第10-11页 |
| ·本文的组织结构 | 第11-12页 |
| ·本文的研究内容及主要创新点 | 第12-13页 |
| 第二章 类别不平衡数据的分类学习 | 第13-21页 |
| ·分类技术和典型的分类算法 | 第13-15页 |
| ·分类技术 | 第13页 |
| ·典型的分类方法 | 第13-15页 |
| ·不平衡数据集的分类问题 | 第15-19页 |
| ·不平衡数据集分类困难的原因 | 第15-17页 |
| ·解决类别不平衡问题的主要方法 | 第17-19页 |
| ·本章小结 | 第19-21页 |
| 第三章 基于重采样技术的不平衡数据集集成学习 | 第21-27页 |
| ·集成学习技术 | 第21-22页 |
| ·集成学习技术与分而治之技术的差异 | 第21页 |
| ·集成学习的关键因素 | 第21-22页 |
| ·重采样技术的相关理论知识 | 第22-23页 |
| ·重采样方法的思想来源 | 第22页 |
| ·著名的重采样方法 | 第22-23页 |
| ·解决类别不平衡问题中用到的重采样方法 | 第23页 |
| ·基于级联结构的不平衡数据集分类研究（CasBagging 算法） | 第23-26页 |
| ·经典Bagging 算法 | 第23-24页 |
| ·基于级联结构的分类器 | 第24页 |
| ·CasBagging 算法思想 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第四章 神经网络在类别不平衡问题中的应用 | 第27-38页 |
| ·人工神经网络（ANN）概述 | 第27-28页 |
| ·反向传播（BP）算法相关理论 | 第28-30页 |
| ·梯度下降法则[4] | 第28-29页 |
| ·经典BP 算法 | 第29-30页 |
| ·用加权BP 算法(WNN)解决类别不平衡问题 | 第30-32页 |
| ·用神经网络优化的SMOTE 方法 | 第32-37页 |
| ·有放回过取样的缺点 | 第32-33页 |
| ·经典SMOTE | 第33-35页 |
| ·用神经网络优化的SMOTE 算法(NNSMOTE)思想 | 第35-37页 |
| ·本章小结 | 第37-38页 |
| 第五章 评价标准和实验 | 第38-50页 |
| ·评估标准 | 第38-41页 |
| ·分类器的性能评估方法 | 第38-39页 |
| ·不平衡数据集分类评价标准 | 第39-41页 |
| ·实验环境 | 第41页 |
| ·实验数据及预处理 | 第41-43页 |
| ·CasBagging 实验 | 第43-45页 |
| ·CasBagging 实验数据 | 第43-44页 |
| ·CasBagging 实验结果分析 | 第44-45页 |
| ·CasBagging 算法结论 | 第45页 |
| ·WNN 算法实验 | 第45-48页 |
| ·WNN 算法实验设计 | 第45-46页 |
| ·WNN 实验结果及分析 | 第46-48页 |
| ·NNSOMTE 算法实验 | 第48-50页 |
| 第六章 总结与展望 | 第50-51页 |
| ·本文研究内容总结 | 第50页 |
| ·进一步的工作 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 攻读学位期间发表的学术论文和参与的项目 | 第54-55页 |
| 致谢 | 第55页 |