| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 符号说明 | 第14-15页 |
| 第1章 绪论 | 第15-23页 |
| 1.1 引言 | 第15-16页 |
| 1.2 含有概念漂移问题增量学习的研究背景 | 第16-17页 |
| 1.3 含有概念漂移问题增量学习的关键技术 | 第17-18页 |
| 1.4 本文的主要工作 | 第18-20页 |
| 1.5 本文的组织结构 | 第20页 |
| 1.6 本章小结 | 第20-23页 |
| 第2章 增量学习及概念漂移问题的研究综述 | 第23-35页 |
| 2.1 增量学习 | 第23-29页 |
| 2.1.1 增量学习介绍 | 第23-25页 |
| 2.1.2 增量学习的经典算法 | 第25-29页 |
| 2.2 概念漂移 | 第29-34页 |
| 2.2.1 概念漂移介绍 | 第29-30页 |
| 2.2.2 概念漂移的处理策略 | 第30-34页 |
| 2.3 本章小结 | 第34-35页 |
| 第3章 基于差异性模型选择和知识迁移的概念漂移处理方法 | 第35-57页 |
| 3.1 基于数据块的集成式增量学习算法 | 第35-37页 |
| 3.1.1 问题背景 | 第35-36页 |
| 3.1.2 相关工作 | 第36-37页 |
| 3.2 问题优化 | 第37-42页 |
| 3.2.1 基于差异性的模型选择策略 | 第38-40页 |
| 3.2.2 基于知识迁移的模型使用策略 | 第40-41页 |
| 3.2.3 DTEL算法实现细节 | 第41-42页 |
| 3.3 实验分析 | 第42-56页 |
| 3.3.1 基于人造数据的实验 | 第43-51页 |
| 3.3.2 基于真实数据的实验 | 第51-54页 |
| 3.3.3 历史模型数量对性能的影响 | 第54-56页 |
| 3.4 本章小结 | 第56-57页 |
| 第4章 增量学习中类演化类型概念漂移的处理 | 第57-85页 |
| 4.1 类演化类型概念漂移 | 第57-60页 |
| 4.1.1 问题背景 | 第57-58页 |
| 4.1.2 问题定义 | 第58-59页 |
| 4.1.3 相关工作 | 第59-60页 |
| 4.2 基于类的集成算法 | 第60-68页 |
| 4.2.1 问题分析 | 第60-61页 |
| 4.2.2 基于类的集成模型 | 第61-65页 |
| 4.2.3 分析和总结 | 第65-68页 |
| 4.3 实验分析 | 第68-84页 |
| 4.3.1 可视化实验 | 第68-69页 |
| 4.3.2 对比实验 | 第69-84页 |
| 4.4 本章小节 | 第84-85页 |
| 第5章 针对概念漂移的并行化增量学习集成实现 | 第85-99页 |
| 5.1 增量学习与并行化计算 | 第85-90页 |
| 5.1.1 大数据、增量学习与集成学习 | 第85-86页 |
| 5.1.2 集成学习调研 | 第86-88页 |
| 5.1.3 并行化方法调研 | 第88-90页 |
| 5.2 分布式增量学习集成实现方法 | 第90-94页 |
| 5.2.1 实现方法介绍 | 第90-93页 |
| 5.2.2 DTEL算法的并行实观 | 第93页 |
| 5.2.3 CBCE算法的并行实现 | 第93-94页 |
| 5.3 实验分析 | 第94-96页 |
| 5.3.1 实验说明 | 第94页 |
| 5.3.2 实验结果 | 第94-96页 |
| 5.4 总结 | 第96-99页 |
| 第6章 总结与展望 | 第99-103页 |
| 6.1 全文工作总结 | 第99-100页 |
| 6.2 未来工作展望 | 第100-103页 |
| 参考文献 | 第103-113页 |
| 致谢 | 第113-115页 |
| 在读期间发表的学术论文与取得的研究成果 | 第115页 |