具有概念漂移的数据流分类研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-17页 |
| 1.2 国内外研究现状 | 第17-18页 |
| 1.3 论文的主要研究内容 | 第18-19页 |
| 1.4 课题来源与论文组织结构 | 第19-21页 |
| 1.4.1 课题来源 | 第19页 |
| 1.4.2 论文组织结构 | 第19-21页 |
| 第二章 数据流分类研究概述 | 第21-39页 |
| 2.1 数据流的概念及应用 | 第21-22页 |
| 2.1.1 数据流定义与特性 | 第21页 |
| 2.1.2 数据流应用场景 | 第21-22页 |
| 2.2 数据流分类常用方法 | 第22-23页 |
| 2.2.1 基于数据的处理方法 | 第22-23页 |
| 2.2.2 基于任务的处理方法 | 第23页 |
| 2.3 数据流中概念漂移的研究 | 第23-26页 |
| 2.3.1 概念漂移定义 | 第23页 |
| 2.3.2 概念漂移常用处理方法 | 第23-26页 |
| 2.4 数据流分类模型的特点 | 第26-27页 |
| 2.5 概念漂移数据流分类方法概述 | 第27-37页 |
| 2.5.1 集成式数据流分类 | 第27-29页 |
| 2.5.2 增量式数据流分类 | 第29-32页 |
| 2.5.3 基于主动和半监督学习的数据流分类 | 第32-35页 |
| 2.5.4 基于迁移学习的数据流分类 | 第35-37页 |
| 2.6 数据流分类关键问题 | 第37-39页 |
| 第三章 具有噪声的动态数据流集成分类方法 | 第39-48页 |
| 3.1 引言 | 第39页 |
| 3.2 动态数据流集成分类基础研究 | 第39-41页 |
| 3.2.1 分类器相似度研究 | 第39-40页 |
| 3.2.2 分类器差异性研究 | 第40-41页 |
| 3.3 具有噪声的动态数据流集成分类 | 第41-47页 |
| 3.3.1 算法描述 | 第41-42页 |
| 3.3.2 仿真数据集 | 第42页 |
| 3.3.3 实验方案 | 第42-43页 |
| 3.3.4 性能分析 | 第43-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 基于蚁群优化的选择性集成数据流分类方法 | 第48-61页 |
| 4.1 引言 | 第48页 |
| 4.2 蚁群优化算法简介 | 第48-50页 |
| 4.3 选择性集成学习理论基础 | 第50-51页 |
| 4.4 基于蚁群优化的选择性集成数据流分类算法 | 第51-54页 |
| 4.4.1 交叉验证 | 第51-52页 |
| 4.4.2 分类器差异性 | 第52-53页 |
| 4.4.3 基于蚁群优化的选择性集成算法描述 | 第53-54页 |
| 4.5 仿真试验与结果分析 | 第54-60页 |
| 4.5.1 仿真数据集 | 第54-55页 |
| 4.5.2 试验方案与性能分析 | 第55-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 工作总结 | 第61页 |
| 5.2 未来展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 攻读学位期间参与的科研项目 | 第68页 |
| 攻读学位期间发表的学术论文目录 | 第68-69页 |
| 致谢 | 第69-70页 |
