摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-17页 |
1.1 研究工作的背景与意义 | 第11-13页 |
1.1.1 研究背景 | 第11-12页 |
1.1.2 研究意义 | 第12-13页 |
1.2 国内外研究历史与现状 | 第13-15页 |
1.2.1 概念漂移 | 第14页 |
1.2.2 在线集成方法 | 第14-15页 |
1.3 本文的主要贡献与创新 | 第15页 |
1.4 本论文的结构安排 | 第15-17页 |
第二章 数据流挖掘理论 | 第17-35页 |
2.1 基本数据流处理方法 | 第17-23页 |
2.1.1 随机变量边界 | 第18-19页 |
2.1.2 泊松过程 | 第19-20页 |
2.1.3 维护数据流的简单统计 | 第20页 |
2.1.4 滑动窗口 | 第20-22页 |
2.1.5 数据梗概 | 第22-23页 |
2.2 数据流挖掘模型 | 第23-24页 |
2.3 数据流中的概念漂移 | 第24-30页 |
2.3.1 概念漂移定义 | 第25-26页 |
2.3.2 概念漂移的检测与响应 | 第26-30页 |
2.4 集成学习方法 | 第30-34页 |
2.4.1 AUE算法 | 第32-33页 |
2.4.2 OSBoost算法 | 第33-34页 |
2.5 本章小结 | 第34-35页 |
第三章 集成方法改造策略研究 | 第35-43页 |
3.1 基于滑动窗口的改造方法 | 第35-38页 |
3.1.1 需要克服的问题 | 第35-36页 |
3.1.2 基于数据摘要的滑动窗口改进方法 | 第36-38页 |
3.2 基于增量式分类器组件 | 第38-39页 |
3.3 基于漂移检测器的改造方法 | 第39-41页 |
3.4 本章小结 | 第41-43页 |
第四章 对AUE算法以及OSBOOST算法的改进研究 | 第43-50页 |
4.1 AUE算法改进 | 第43-47页 |
4.1.1 改进模型设计 | 第43-46页 |
4.1.2 伪代码设计 | 第46-47页 |
4.2 OSBoost算法改进 | 第47-49页 |
4.2.1 改进模型设计 | 第47-48页 |
4.2.2 算法伪代码 | 第48-49页 |
4.3 本章小节 | 第49-50页 |
第五章 算法实现与平台实现 | 第50-66页 |
5.1 OAUEAdwin算法实现 | 第50-55页 |
5.1.1 算法逻辑结构 | 第50页 |
5.1.2 算法类图 | 第50-51页 |
5.1.3 核心方法解析 | 第51-52页 |
5.1.4 核心代码解析 | 第52-55页 |
5.2 OSBoostAdwin算法实现 | 第55-59页 |
5.2.1 算法逻辑结构 | 第55页 |
5.2.2 算法类图 | 第55-56页 |
5.2.3 核心方法解析 | 第56-57页 |
5.2.4 核心代码解析 | 第57-59页 |
5.3 应用平台设计与实现 | 第59-65页 |
5.3.1 应用架构设计 | 第59-62页 |
5.3.2 VRSS-MOA平台设计与实现 | 第62-65页 |
5.4 本章小结 | 第65-66页 |
第六章 算法评估及应用 | 第66-79页 |
6.1 数据流挖掘算法评估 | 第66-70页 |
6.1.1 评估算法 | 第66-67页 |
6.1.2 评估框架 | 第67-69页 |
6.1.3 算法评估数据集 | 第69-70页 |
6.1.4 实验环境 | 第70页 |
6.2 算法评估实验 | 第70-73页 |
6.2.1 参数设定 | 第70页 |
6.2.2 三种改造策略性能评估 | 第70-71页 |
6.2.3 AUE改进算法评估 | 第71-72页 |
6.2.4 OSBoost改进算法评估 | 第72-73页 |
6.3 算法应用 | 第73-78页 |
6.3.1 应用场景 | 第73-74页 |
6.3.2 应用环境部署 | 第74-75页 |
6.3.3 具体应用过程 | 第75-77页 |
6.3.4 应用效果分析 | 第77-78页 |
6.4 本章小结 | 第78-79页 |
第七章 总结与展望 | 第79-81页 |
7.1 研究工作总结 | 第79-80页 |
7.2 后续工作展望 | 第80-81页 |
致谢 | 第81-82页 |
参考文献 | 第82-85页 |
攻读硕士学位期间取得的成果 | 第85-86页 |