| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 有监督学习下的时间序列分类研究 | 第12-13页 |
| 1.2.2 正例-未标注学习下的时间序列分类研究 | 第13-15页 |
| 1.3 本文的工作 | 第15页 |
| 1.4 技术路线 | 第15-16页 |
| 1.5 论文结构组织 | 第16-17页 |
| 第二章 本研究相关算法与理论基础 | 第17-25页 |
| 2.1 时间序列相似度度量 | 第17-19页 |
| 2.2 决策树算法 | 第19-20页 |
| 2.3 POSC4.5算法 | 第20-22页 |
| 2.4 分类器集成技术 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第三章 有监督学习下的基于时间序列对的决策树生成算法 | 第25-43页 |
| 3.1 有监督学习下时间序列分类问题定义 | 第25页 |
| 3.2 序列熵与序列对信息增益 | 第25-26页 |
| 3.3 时间序列决策树构建算法描述 | 第26-29页 |
| 3.3.1 基于序列对的决策树生成算法 | 第26-28页 |
| 3.3.2 基于序列熵决策树的集成分类算法 | 第28-29页 |
| 3.4 实验结果与分析 | 第29-42页 |
| 3.4.1 实验数据集 | 第30-32页 |
| 3.4.2 实验评价指标 | 第32-33页 |
| 3.4.3 实验结果 | 第33-38页 |
| 3.4.4 参数分析 | 第38-39页 |
| 3.4.5 时间复杂度分析 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 PU学习下的基于时间序列对的决策树生成算法 | 第43-55页 |
| 4.1 正例-未标注时间序列分类问题定义 | 第43页 |
| 4.2 正例-未标注时间序列决策树算法描述 | 第43-45页 |
| 4.2.1 基于序列对的正例-未标注时间序列决策树 | 第43-44页 |
| 4.2.2 正例-未标注时间序列集成决策树 | 第44-45页 |
| 4.3 实验结果与分析 | 第45-51页 |
| 4.3.1 实验数据集 | 第45-47页 |
| 4.3.2 实验评价指标 | 第47页 |
| 4.3.3 实验结果 | 第47-48页 |
| 4.3.4 参数分析 | 第48-51页 |
| 4.3.5 时间复杂度分析 | 第51页 |
| 4.4 本章小结 | 第51-55页 |
| 第五章 结论与展望 | 第55-57页 |
| 5.1 结论 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 作者简介 | 第63页 |
