| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 高维数据研究现状 | 第13-14页 |
| 1.2.2 不平衡数据研究现状 | 第14-16页 |
| 1.3 本文研究内容 | 第16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 相关研究综述 | 第18-30页 |
| 2.1 特征及特征表达 | 第18页 |
| 2.2 高维数据概述 | 第18-20页 |
| 2.2.1 高维数据特点 | 第18-19页 |
| 2.2.2 高维数据相关处理技术 | 第19-20页 |
| 2.3 不平衡数据概述 | 第20-24页 |
| 2.3.1 不平衡数据特点 | 第20-21页 |
| 2.3.2 不平衡数据相关处理技术 | 第21-24页 |
| 2.4 Hubness相关概念 | 第24-26页 |
| 2.4.1 k发生 | 第24-25页 |
| 2.4.2 Hubness现象 | 第25-26页 |
| 2.5 Hubness相关算法 | 第26-29页 |
| 2.5.1 基于Hubness分值的权重kNN算法 | 第26-27页 |
| 2.5.2 基于Hubness的贝叶斯分类算法 | 第27-28页 |
| 2.5.3 基于Hubness的模糊分类算法 | 第28页 |
| 2.5.4 基于Hubness的K-hubs聚类算法 | 第28-29页 |
| 2.6 小结 | 第29-30页 |
| 第3章 基于Hubness和类加权的k最近邻分类算法 | 第30-43页 |
| 3.1 研究动机 | 第30页 |
| 3.2 算法思想 | 第30-31页 |
| 3.3 算法流程 | 第31-35页 |
| 3.3.1 基于Hubness的k最近邻分类 | 第31-33页 |
| 3.3.2 类加权方法 | 第33-34页 |
| 3.3.3 HWNN算法实现过程 | 第34-35页 |
| 3.3.4 算法复杂度分析 | 第35页 |
| 3.4 实验结果与分析 | 第35-41页 |
| 3.4.1 对比方法 | 第36页 |
| 3.4.2 性能评价指标 | 第36-37页 |
| 3.4.3 实验数据 | 第37-38页 |
| 3.4.4 仿真结果与分析 | 第38-41页 |
| 3.5 小结 | 第41-43页 |
| 第4章 基于Hubness和动态权重k最近邻算法 | 第43-50页 |
| 4.1 研究动机 | 第43页 |
| 4.2 算法思想 | 第43-44页 |
| 4.3 算法流程 | 第44-47页 |
| 4.3.1 动态加权因子 | 第44-45页 |
| 4.3.2 算法改进 | 第45-46页 |
| 4.3.3 HD WNN算法实现过程 | 第46-47页 |
| 4.3.4 算法复杂度分析 | 第47页 |
| 4.4 实验结果与分析 | 第47-49页 |
| 4.5 小结 | 第49-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-57页 |
| 致谢 | 第57-58页 |
| 附录A 攻读学位期间主要研究成果 | 第58页 |
