| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-11页 |
| 图清单 | 第11-13页 |
| 表清单 | 第13-14页 |
| 第一章 绪论 | 第14-21页 |
| ·异常检测 | 第14-16页 |
| ·异常检测评价方法 | 第16-17页 |
| ·本文主要工作 | 第17-19页 |
| ·本文内容安排 | 第19-21页 |
| 第二章 异常检测方法分类及其关系揭示 | 第21-47页 |
| ·异常检测方法及其分类 | 第21-38页 |
| ·无监督的异常检测方法 | 第21-34页 |
| ·基于密度估计的方法 | 第21-23页 |
| ·基于重构的方法 | 第23-26页 |
| ·基于支撑域的方法 | 第26-34页 |
| ·有监督的异常检测方法 | 第34-38页 |
| ·人工生成异常样本的异常检测方法 | 第34-36页 |
| ·利用现有异常样本的异常检测方法 | 第36-38页 |
| ·基于支撑域的方法之间的等价性关系 | 第38-40页 |
| ·SVDD 和 One-class SVM 的等价性 | 第38-39页 |
| ·One-class SVM 与 Slab SVM 的等价性 | 第39-40页 |
| ·基于支撑域的方法之与密度估计之间的本质关系 | 第40-46页 |
| ·核密度估计(Kernel Density Estimator, KDE) | 第41页 |
| ·本质关系 | 第41-43页 |
| ·本质关系的实验验证 | 第43-46页 |
| ·一维人工数据集 | 第43-44页 |
| ·二维人工数据集 | 第44-46页 |
| ·本章小结 | 第46页 |
| 本章内容部分出自以下论文 | 第46-47页 |
| 第三章 基于单簇聚类的数据描述 | 第47-62页 |
| ·SVDD 优缺点分析 | 第47-49页 |
| ·可能性 1-均值（P1M）聚类算法 | 第49-51页 |
| ·动机 | 第49-50页 |
| ·P1M 算法的核化版本 | 第50-51页 |
| ·P1M 全局最优性分析 | 第51-53页 |
| ·基于单簇聚类的数据描述 | 第53-56页 |
| ·数据描述的获得 | 第53-54页 |
| ·隶属度阈值的设置 | 第54页 |
| ·参数优化 | 第54-55页 |
| ·和 SVDD 的比较与分析 | 第55-56页 |
| ·实验与评估 | 第56-61页 |
| ·人工数据集 | 第56-57页 |
| ·一维香蕉形数据集 | 第56-57页 |
| ·二维螺旋形曲线数据 | 第57页 |
| ·真实数据集 | 第57-61页 |
| ·小规模数据集上的实验 | 第57-58页 |
| ·USPS 手写数字识别 | 第58-61页 |
| ·本章小结 | 第61页 |
| 本章内容部分出自以下论文 | 第61-62页 |
| 第四章 多视图单簇聚类数据描述 | 第62-80页 |
| ·提高分类器推广性能的主要技术 | 第62-65页 |
| ·模型选择 | 第62-63页 |
| ·正则化 | 第63页 |
| ·集成学习 | 第63-64页 |
| ·多视图学习 | 第64-65页 |
| ·多视图单簇聚类数据描述 | 第65-69页 |
| ·背景与动机 | 第65-66页 |
| ·文档表示方法 | 第66-67页 |
| ·多视图的单簇聚类算法 | 第67-68页 |
| ·多视图单簇聚类数据描述 | 第68-69页 |
| ·实验 | 第69-79页 |
| ·数据集 | 第69-70页 |
| ·参数设置 | 第70页 |
| ·实验结果及分析 | 第70-79页 |
| ·本章小结 | 第79页 |
| 本章部分内容出自以下论文 | 第79-80页 |
| 第五章 流形嵌入的支持向量数据描述 | 第80-91页 |
| ·相关工作 | 第80-81页 |
| ·ISOMAP | 第80-81页 |
| ·测地核函数 | 第81页 |
| ·流形嵌入的框架 mXXX ≈ ISOMAP + XXX | 第81-82页 |
| ·原空间测地距离的实质 | 第81-82页 |
| ·基于测地距离的 SVDD (gSVDD，Geodesic-Distance-based SVDD) | 第82页 |
| ·流形嵌入的支持向量数据描述(mSVDD,SVDD with Manifold Embedding) | 第82-83页 |
| ·mSVDD ≈ISOMAP + SVDD 的验证 | 第82页 |
| ·mSVDD 算法描述 | 第82-83页 |
| ·SVDD 和 mSVDD 复杂性比较 | 第83页 |
| ·实验 | 第83-89页 |
| ·人工数据集 | 第83-88页 |
| ·USPS 手写体数字识别实验 | 第88-89页 |
| ·本章小结 | 第89-90页 |
| 本章部分内容出自下面的论文 | 第90-91页 |
| 第六章 AUC 正则化的支持向量数据描述 | 第91-105页 |
| ·引言 | 第91-92页 |
| ·AUC 正则化的 SVDD | 第92-100页 |
| ·主要动机 | 第93页 |
| ·模型描述 | 第93-94页 |
| ·核化 | 第94-97页 |
| ·和 SVDD 及 ROC-SVM 的关系 | 第97页 |
| ·加速技巧 | 第97-100页 |
| ·实验 | 第100-103页 |
| ·人工数据集 | 第101-102页 |
| ·UCI 数据集 | 第102-103页 |
| ·数据集描述 | 第102页 |
| ·实验结果 | 第102-103页 |
| ·本章小结 | 第103-104页 |
| 本章部分内容取自以下论文 | 第104-105页 |
| 结束语 | 第105-108页 |
| 参考文献 | 第108-118页 |
| 致谢 | 第118-120页 |
| 在学期间的研究成果及发表的学术论文 | 第120-122页 |
| 攻读博士学位期间主持与参加科研项目情况 | 第122页 |
