| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 数据流分类研究现状 | 第10-11页 |
| 1.2.1 增量学习方法 | 第10页 |
| 1.2.2 集成学习方法 | 第10-11页 |
| 1.3 多标签分类研究现状 | 第11-14页 |
| 1.3.1 问题转换法 | 第12-13页 |
| 1.3.2 算法适应法 | 第13-14页 |
| 1.4 多标签数据流分类研究现状 | 第14页 |
| 1.5 本文主要研究内容 | 第14-15页 |
| 1.6 论文组织结构 | 第15-16页 |
| 第二章 理论基础 | 第16-24页 |
| 2.1 数据流分类算法简介 | 第16-18页 |
| 2.1.1 VFDT算法 | 第16页 |
| 2.1.2 AWE算法 | 第16-18页 |
| 2.2 多标签分类算法简介 | 第18-20页 |
| 2.2.1 BR方法 | 第18-19页 |
| 2.2.2 LP方法 | 第19-20页 |
| 2.3 多标签分类性能评价指标 | 第20-21页 |
| 2.4 EM算法 | 第21页 |
| 2.5 Apriori算法 | 第21-22页 |
| 2.6 熵 | 第22-23页 |
| 2.7 本章小结 | 第23-24页 |
| 第三章 多标签概念漂移数据流分类中的类别增量学习 | 第24-33页 |
| 3.1 问题分析 | 第24-26页 |
| 3.2 算法描述 | 第26-29页 |
| 3.3 实验数据 | 第29-30页 |
| 3.3.1 人工数据集 | 第29-30页 |
| 3.3.2 现实数据集 | 第30页 |
| 3.4 实验设计 | 第30-31页 |
| 3.5 实验结果与分析 | 第31-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第四章 基于概率相关性的多标签数据流概念漂移检测 | 第33-42页 |
| 4.1 问题分析 | 第33-34页 |
| 4.2 基本概念与原理 | 第34-35页 |
| 4.2.1 概率相关性 | 第34-35页 |
| 4.2.2 差异度量 | 第35页 |
| 4.2.3 评测差异 | 第35页 |
| 4.3 算法描述 | 第35-38页 |
| 4.3.1 算法设计 | 第35-37页 |
| 4.3.2 算法实现 | 第37-38页 |
| 4.4 实验数据 | 第38页 |
| 4.4.1 人工数据 | 第38页 |
| 4.4.2 现实数据 | 第38页 |
| 4.5 实验设计 | 第38-39页 |
| 4.6 实验结果与分析 | 第39-41页 |
| 4.7 本章小结 | 第41-42页 |
| 第五章 基于标签分组与熵的多标签数据流概念漂移检测 | 第42-56页 |
| 5.1 问题分析 | 第42页 |
| 5.2 算法描述 | 第42-47页 |
| 5.2.1 标签分组 | 第43-44页 |
| 5.2.2 熵的计算 | 第44-45页 |
| 5.2.3 概念漂移检测算法 | 第45-47页 |
| 5.3 标签分组优势分析 | 第47-49页 |
| 5.4 实验数据 | 第49页 |
| 5.4.1 人工数据 | 第49页 |
| 5.4.2 现实数据 | 第49页 |
| 5.5 实验设计 | 第49-51页 |
| 5.6 实验结果与分析 | 第51-55页 |
| 5.7 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 作者在攻读硕士期间主要研究成果 | 第64页 |