| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 问题的提出和本文主要工作 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 第2章 相关工作概述 | 第16-32页 |
| 2.1 数据流挖掘 | 第16-22页 |
| 2.1.1 数据流的定义及特征 | 第16-17页 |
| 2.1.2 数据流处理模型 | 第17-18页 |
| 2.1.3 数据流挖掘算法的特点 | 第18-19页 |
| 2.1.4 概念漂移 | 第19-20页 |
| 2.1.5 数据流分类算法 | 第20-22页 |
| 2.2 不确定数据概述 | 第22-24页 |
| 2.2.1 不确定数据产生的原因和表现形式 | 第22-23页 |
| 2.2.2 不确定数据分类算法 | 第23-24页 |
| 2.3 PU学习 | 第24-27页 |
| 2.3.1 PU学习定义 | 第24-25页 |
| 2.3.2 两步走方法 | 第25-26页 |
| 2.3.3 PU学习相关算法 | 第26-27页 |
| 2.4 极限学习机 | 第27-30页 |
| 2.4.1 ELM | 第27-29页 |
| 2.4.2 weighted ELM | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第3章 不确定数据流环境下正例和未标记数据分类算法 | 第32-58页 |
| 3.1 问题提出 | 第32-33页 |
| 3.2 问题定义 | 第33-34页 |
| 3.3 不确定数据正例和未标记数据分类算法 | 第34-47页 |
| 3.3.1 相关概念 | 第35-36页 |
| 3.3.2 不确定数据处理 | 第36-38页 |
| 3.3.3 可信正例与可信负例的抽取 | 第38-41页 |
| 3.3.4 分类器的建立与分类 | 第41-44页 |
| 3.3.5 算法描述 | 第44-47页 |
| 3.4 不确定数据流环境下正例和未标记数据分类算法 | 第47-56页 |
| 3.4.1 相关概念 | 第48-49页 |
| 3.4.2 集成分类策略 | 第49-51页 |
| 3.4.3 概念漂移检测和处理 | 第51-54页 |
| 3.4.4 算法描述 | 第54-56页 |
| 3.5 本章小结 | 第56-58页 |
| 第4章 实验及结果分析 | 第58-66页 |
| 4.1 实验环境 | 第58页 |
| 4.2 数据集 | 第58-60页 |
| 4.3 实验分析 | 第60-65页 |
| 4.3.1 参数的选取 | 第61-63页 |
| 4.3.2 参数对算法性能的影响 | 第63-64页 |
| 4.3.3 概念漂移的检测情况 | 第64-65页 |
| 4.4 本章小结 | 第65-66页 |
| 第5章 总结与展望 | 第66-68页 |
| 5.1 本文总结 | 第66页 |
| 5.2 工作展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 攻读硕士期间参与项目及发表的论文 | 第74页 |