| 摘要 | 第1-5页 |
| Abstract | 第5-7页 |
| 目录 | 第7-10页 |
| 1 绪论 | 第10-15页 |
| ·研究背景 | 第10-11页 |
| ·数据流概述 | 第11页 |
| ·数据流挖掘概述 | 第11-13页 |
| ·研究内容 | 第13页 |
| ·论文组织结构 | 第13-15页 |
| 2 数据流挖掘研究现状 | 第15-28页 |
| ·数据流处理技术 | 第15-17页 |
| ·数据流关联分析 | 第17页 |
| ·数据流聚类 | 第17-18页 |
| ·数据流分类 | 第18-27页 |
| ·Hoeffding树 | 第19-23页 |
| ·在线Bagging和Boosting | 第23-25页 |
| ·加权集成分类器 | 第25-27页 |
| ·本章小结 | 第27-28页 |
| 3 概念漂移的检测 | 第28-34页 |
| ·概念漂移概述 | 第28-29页 |
| ·处理概念漂移的方法 | 第29-31页 |
| ·滑动窗口 | 第29-30页 |
| ·自适应窗口 | 第30-31页 |
| ·选择集成窗口 | 第31页 |
| ·概念漂移检测 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 4 基于KMM算法的集成分类器 | 第34-43页 |
| ·模型定义 | 第34-35页 |
| ·样本选择偏置KMM算法 | 第35-36页 |
| ·基于选择窗口的分类器集成 | 第36-37页 |
| ·集成分类器误差率的降低 | 第37-38页 |
| ·实验 | 第38-42页 |
| ·移动超平面仿真数据流 | 第38-41页 |
| ·NSL-KDD真实数据集 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 5 自适应概念漂移的在线集成分类器 | 第43-51页 |
| ·模型定义 | 第43页 |
| ·基于HOEFFDING树的在线BAGGING算法 | 第43-45页 |
| ·实验 | 第45-50页 |
| ·试验策略 | 第46-50页 |
| ·数据集 | 第47页 |
| ·实验结果及分析 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 6 总结与展望 | 第51-53页 |
| ·工作总结 | 第51页 |
| ·工作展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 个人简历 在学期间发表的学术论文与研究成果 | 第56-57页 |
| 个人简历 | 第56页 |
| 攻读硕士学位期间的研究成果 | 第56-57页 |
| 致谢 | 第57页 |