面向流数据分类的在线学习算法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第14-28页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 一般流数据分类研究现状 | 第15-21页 |
| 1.2.1 在线线性分类 | 第15-17页 |
| 1.2.2 在线非线性分类 | 第17-21页 |
| 1.3 高维流数据分类研究现状 | 第21-23页 |
| 1.3.1 基于l_1约束/正则化的方法 | 第21-23页 |
| 1.3.2 基于l_0截断的方法 | 第23页 |
| 1.4 演化流数据分类研究现状 | 第23-25页 |
| 1.5 本文研究问题以及组织结构 | 第25-28页 |
| 第二章 背景知识 | 第28-36页 |
| 2.1 在线学习简介 | 第28-30页 |
| 2.2 凸优化基本知识 | 第30-36页 |
| 2.2.1 凸集、凸函数和次梯度 | 第30-31页 |
| 2.2.2 共轭函数、范数与对偶范数 | 第31-33页 |
| 2.2.3 利普希茨连续性 | 第33页 |
| 2.2.4 强凸性和强光滑性 | 第33-34页 |
| 2.2.5 技术定理 | 第34-36页 |
| 第三章 基于自适应次梯度方法的在线特征选择算法 | 第36-52页 |
| 3.1 研究动机 | 第36-37页 |
| 3.2 符号表示和问题描述 | 第37-38页 |
| 3.3 B-ARDA和B-AMD | 第38-46页 |
| 3.3.1 B-ARDA及其悔恨分析 | 第39-41页 |
| 3.3.2 定理3.1的证明 | 第41-43页 |
| 3.3.3 B-AMD及其悔恨分析 | 第43-44页 |
| 3.3.4 定理3.2的证明 | 第44-46页 |
| 3.4 实验分析 | 第46-50页 |
| 3.4.1 数据集 | 第46-47页 |
| 3.4.2 与在线特征选择算法的对比 | 第47页 |
| 3.4.3 与稀疏在线学习算法的对比 | 第47-50页 |
| 3.5 本章小结 | 第50-52页 |
| 第四章 稀疏在线分类算法 | 第52-82页 |
| 4.1 研究动机 | 第52-54页 |
| 4.2 相关工作 | 第54-55页 |
| 4.3 符号表示和问题描述 | 第55-56页 |
| 4.4 基于梯度下降的线性分类算法GD-LC | 第56-61页 |
| 4.5 稀疏近似线性分类器SALC | 第61-64页 |
| 4.6 实验对比和分析 | 第64-78页 |
| 4.6.1 数据集 | 第64-66页 |
| 4.6.2 GD-LC的漂移适应性分析 | 第66-67页 |
| 4.6.3 SALC的稀疏性分析 | 第67-73页 |
| 4.6.4 稳态数据集上的对比实验 | 第73-75页 |
| 4.6.5 演化数据集上的对比实验 | 第75-78页 |
| 4.6.6 与在线特征选择算法的对比实验 | 第78页 |
| 4.7 本章小结 | 第78-82页 |
| 第五章 资源高效的在线集成算法 | 第82-102页 |
| 5.1 研究动机 | 第82-83页 |
| 5.2 问题描述 | 第83-85页 |
| 5.3 基分类器BPegasos | 第85-88页 |
| 5.3.1 Pegasos算法介绍 | 第85-86页 |
| 5.3.2 BPegasos算法介绍 | 第86-88页 |
| 5.4 集成算法设计 | 第88-92页 |
| 5.4.1 多样性策略 | 第88-89页 |
| 5.4.2 组件管理 | 第89-90页 |
| 5.4.3 条件结构更新 | 第90页 |
| 5.4.4 算法伪代码及复杂度分析 | 第90-92页 |
| 5.5 实验分析 | 第92-100页 |
| 5.5.1 算法的准确率和资源效率分析 | 第93-94页 |
| 5.5.2 算法自适应分析 | 第94-99页 |
| 5.5.3 低维数据上的对比实验 | 第99页 |
| 5.5.4 参数敏感性分析 | 第99-100页 |
| 5.6 本章小结 | 第100-102页 |
| 第六章 总结与展望 | 第102-106页 |
| 6.1 总结 | 第102-103页 |
| 6.2 展望 | 第103-106页 |
| 致谢 | 第106-108页 |
| 参考文献 | 第108-121页 |
| 简历与科研成果 | 第121-122页 |
