基于概念漂移检测的在线集成分类算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 课题的研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-17页 |
| 1.2.1 无概念漂移的数据流分类算法 | 第14页 |
| 1.2.2 单分类模型 | 第14-15页 |
| 1.2.3 集成分类模型 | 第15-17页 |
| 1.3 研究内容 | 第17-18页 |
| 1.4 论文结构 | 第18页 |
| 1.5 本章小结 | 第18-19页 |
| 第2章 数据流分类与集成学习 | 第19-31页 |
| 2.1 数据流的概念及应用 | 第19-20页 |
| 2.1.1 数据流的定义 | 第19页 |
| 2.1.2 数据流的特点 | 第19页 |
| 2.1.3 数据流的应用 | 第19-20页 |
| 2.2 数据流中的概念漂移 | 第20-23页 |
| 2.2.1 概念漂移的定义 | 第20-21页 |
| 2.2.2 概念漂移的分类 | 第21-22页 |
| 2.2.3 概念漂移的处理方式 | 第22-23页 |
| 2.3 概念漂移的检测 | 第23-25页 |
| 2.3.1 基于序列的分析方法 | 第24页 |
| 2.3.2 基于控制图的方法 | 第24-25页 |
| 2.3.3 基于不同分布的方法 | 第25页 |
| 2.4 集成学习 | 第25-30页 |
| 2.4.1 集成学习理论 | 第25-29页 |
| 2.4.2 数据流集成分类框架 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于概念漂移检测的在线集成分类 | 第31-45页 |
| 3.1 集成分类算法AUE | 第31-33页 |
| 3.1.1 权重机制 | 第32页 |
| 3.1.2 算法整体框架 | 第32-33页 |
| 3.2 概念漂移检测机制BDDM | 第33-35页 |
| 3.3 基于概念漂移检测的在线集成算法 | 第35-37页 |
| 3.4 实验结果及分析 | 第37-44页 |
| 3.4.1 数据集数据介绍 | 第37-39页 |
| 3.4.2 参数分析 | 第39-40页 |
| 3.4.3 与其他算法的对比 | 第40-43页 |
| 3.4.4 时空复杂度分析 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于实例加权的在线更新集成算法 | 第45-54页 |
| 4.1 基于实例的概念漂移处理方法 | 第45-46页 |
| 4.2 基于实例加权的在线更新集成算法 | 第46-48页 |
| 4.2.1 实例加权 | 第46-47页 |
| 4.2.2 算法整体框架 | 第47-48页 |
| 4.3 实验结果与分析 | 第48-53页 |
| 4.3.1 声的设置对EWOE性能的影响 | 第48-49页 |
| 4.3.2 与其他算法的对比 | 第49-53页 |
| 4.4 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61页 |
