| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 不平衡数据分类面临的困难 | 第10-11页 |
| 1.3 国内外研究现状及分析 | 第11-15页 |
| 1.3.1 类不平衡学习 | 第11-13页 |
| 1.3.2 极限学习机 | 第13-14页 |
| 1.3.3 类不平衡极限学习机 | 第14-15页 |
| 1.4 本文的主要内容 | 第15-16页 |
| 1.5 本文的组织结构 | 第16-17页 |
| 第二章 不平衡数据分类研究基础 | 第17-33页 |
| 2.1 极限学习机 | 第17-23页 |
| 2.1.1 极限学习机理论模型 | 第17-20页 |
| 2.1.2 极限学习机的算法步骤 | 第20页 |
| 2.1.3 极限学习机优缺点 | 第20-21页 |
| 2.1.4 极限学习机性能评估 | 第21-23页 |
| 2.2 加权极限学习机 | 第23-25页 |
| 2.2.1 不平衡数据集对极限学习机性能的影响 | 第23-25页 |
| 2.2.2 加权极限学习机理论模型 | 第25页 |
| 2.3 集成学习 | 第25-30页 |
| 2.3.1 集成学习的产生和发展 | 第25-26页 |
| 2.3.2 集成学习的框架 | 第26-27页 |
| 2.3.3 AdaBoost算法 | 第27-29页 |
| 2.3.4 Bagging算法 | 第29-30页 |
| 2.4 不平衡数据分类的性能评价 | 第30-32页 |
| 2.4.1 F-measure和G-means | 第30-31页 |
| 2.4.2 ROC曲线 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 类不平衡模糊加权极限学习机 | 第33-45页 |
| 3.0 引言 | 第33页 |
| 3.1 类不平衡分布对ELM性能影响理论分析 | 第33-35页 |
| 3.2 WELM的有效性理论分析 | 第35页 |
| 3.3 类不平衡模糊加权极限学习机算法 | 第35-39页 |
| 3.3.1 算法基本思想 | 第35-36页 |
| 3.3.2 隶属函数的设计 | 第36-37页 |
| 3.3.3 算法描述 | 第37-39页 |
| 3.4 实验结果与讨论 | 第39-43页 |
| 3.4.1 数据集与参数设置 | 第39页 |
| 3.4.2 结果与讨论 | 第39-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 基于Bagging集成的类不平衡模糊加权极限学习机 | 第45-53页 |
| 4.1 引言 | 第45页 |
| 4.2 集成学习基础理论概述 | 第45-47页 |
| 4.2.1 集成学习有效性分析 | 第45-46页 |
| 4.2.2 基分类器FWELM差异度构造策略 | 第46页 |
| 4.2.3 极限学习机集成学习算法回顾 | 第46-47页 |
| 4.3 基于Bagging的FWELM集成算法 | 第47-48页 |
| 4.3.1 算法基本思想 | 第47页 |
| 4.3.2 算法描述及流程图 | 第47-48页 |
| 4.4 实验结果与讨论 | 第48-52页 |
| 4.4.1 数据集与参数设置 | 第48页 |
| 4.4.2 结果与讨论 | 第48-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 本文研究内容总结 | 第53页 |
| 5.2 进一步工作展望 | 第53-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 作者简介 | 第63页 |