| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文主要工作 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 2 概念漂移检测及数据流分类概述 | 第15-27页 |
| 2.1 数据流挖掘综述 | 第15-21页 |
| 2.1.1 相关概念 | 第15-19页 |
| 2.1.2 数据流挖掘的应用 | 第19-20页 |
| 2.1.3 类不平衡问题 | 第20-21页 |
| 2.2 漂移检测算法综述 | 第21-24页 |
| 2.2.1 漂移检测算法的类型 | 第22-23页 |
| 2.2.2 漂移检测算法的性能度量 | 第23-24页 |
| 2.2.3 漂移检测在生活中的应用 | 第24页 |
| 2.3 数据流分类算法综述 | 第24-26页 |
| 2.3.1 单分类器数据流分类算法 | 第25页 |
| 2.3.2 多分类器数据流分类算法 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 基于数据分布的漂移重现检测算法 | 第27-44页 |
| 3.1 概念漂移的检测 | 第27-30页 |
| 3.1.1 漂移检测问题的定义 | 第27-28页 |
| 3.1.2 基于Bernstein不等式的动态阈值设计 | 第28-29页 |
| 3.1.3 检测过程描述 | 第29-30页 |
| 3.2 重现漂移的发现 | 第30-34页 |
| 3.2.1 针对多元数据的双样本检验方法 | 第31页 |
| 3.2.2 利用图存储历史概念 | 第31-33页 |
| 3.2.3 重现漂移发现过程的描述 | 第33-34页 |
| 3.3 算法整体流程 | 第34-35页 |
| 3.4 实验结果及分析 | 第35-43页 |
| 3.4.1 MOA实验平台介绍 | 第35页 |
| 3.4.2 漂移检测算法性能分析 | 第35-39页 |
| 3.4.3 分类正确率的提升及重现漂移发现的验证 | 第39-43页 |
| 3.5 本章总结 | 第43-44页 |
| 4 基于集成学习的不平衡数据流分类算法 | 第44-60页 |
| 4.1 类不平衡问题中的采样方法 | 第44-48页 |
| 4.1.1 过采样方法 | 第44-46页 |
| 4.1.2 欠采样方法 | 第46-48页 |
| 4.2 基于数据块的分类器集成方法 | 第48-49页 |
| 4.3 基于集成学习的不平衡数据流分类算法介绍 | 第49-54页 |
| 4.3.1 样本采样过程描述 | 第50-51页 |
| 4.3.2 集成方法描述 | 第51-54页 |
| 4.4 实验结果及分析 | 第54-59页 |
| 4.4.1 实验数据集 | 第54-55页 |
| 4.4.2 对比的算法 | 第55页 |
| 4.4.3 实验设置及结果分析 | 第55-59页 |
| 4.5 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第66-68页 |
| 学位论文数据集 | 第68页 |