| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第17-23页 |
| 1.1 课题的研究背景与意义 | 第17页 |
| 1.2 国内外研究现状 | 第17-20页 |
| 1.2.1 类不平衡问题研究现状 | 第17-19页 |
| 1.2.2 一类分类研究现状 | 第19-20页 |
| 1.2.3 极限学习机研究现状 | 第20页 |
| 1.3 本文研究内容 | 第20-21页 |
| 1.4 本文的组织结构 | 第21-23页 |
| 第2章 相关技术概述 | 第23-43页 |
| 2.1 引言 | 第23页 |
| 2.2 类不平衡学习算法 | 第23-29页 |
| 2.2.1 采样技术 | 第23-26页 |
| 2.2.2 代价敏感学习技术 | 第26-28页 |
| 2.2.3 决策输出补偿技术 | 第28-29页 |
| 2.3 极限学习机相关算法 | 第29-34页 |
| 2.3.1 极限学习机 | 第29-31页 |
| 2.3.2 类不平衡对极限学习机的影响 | 第31-32页 |
| 2.3.3 加权极限学习机 | 第32-34页 |
| 2.4 一类分类算法 | 第34-40页 |
| 2.4.1 基于密度的一类分类器 | 第34-37页 |
| 2.4.2 基于支持域的一类分类器 | 第37-38页 |
| 2.4.3 基于神经网络的一类分类器 | 第38-39页 |
| 2.4.4 基于聚类的一类分类器 | 第39-40页 |
| 2.5 类不平衡学习的性能评价测度 | 第40-43页 |
| 第3章 耦合样本先验分布信息加权算法 | 第43-57页 |
| 3.1 引言 | 第43页 |
| 3.2 本章相关工作 | 第43-45页 |
| 3.2.1 模糊加权极限学习机 | 第43-44页 |
| 3.2.2 样本采样极限学习机 | 第44-45页 |
| 3.3 耦合样本先验信息加权极限学习机 | 第45-48页 |
| 3.3.1 不纯度指标 | 第45-46页 |
| 3.3.2 隶属度函数及权重矩阵 | 第46页 |
| 3.3.3 CPWELM算法流程及分类面 | 第46-48页 |
| 3.4 实验结果及分析 | 第48-55页 |
| 3.4.1 数据集 | 第48-50页 |
| 3.4.2 实验及参数设置 | 第50-51页 |
| 3.4.3 结果与讨论 | 第51-54页 |
| 3.4.4 统计结果分析 | 第54-55页 |
| 3.5 本章小结 | 第55-57页 |
| 第4章 模糊一类极限自编码器 | 第57-71页 |
| 4.1 引言 | 第57页 |
| 4.2 本章相关工作 | 第57-59页 |
| 4.2.1 一类极限学习机 | 第57-58页 |
| 4.2.2 非参数概率密度估计 | 第58-59页 |
| 4.3 模糊一类极限自编码器 | 第59-63页 |
| 4.3.1 KNN相对概率密度估计 | 第59-60页 |
| 4.3.2 隶属度函数及权重矩阵 | 第60页 |
| 4.3.3 模糊一类极限自编码器基本流程及分类边界 | 第60-63页 |
| 4.4 实验结果及分析 | 第63-69页 |
| 4.4.1 数据集 | 第63页 |
| 4.4.2 实验及参数设置 | 第63-65页 |
| 4.4.3 实验结果及讨论 | 第65-68页 |
| 4.4.4 统计结果分析 | 第68-69页 |
| 4.5 本章小结 | 第69-71页 |
| 第5章 总结与展望 | 第71-73页 |
| 5.1 总结 | 第71-72页 |
| 5.2 展望 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 攻读学位期间发表的学术论文 | 第79-81页 |
| 致谢 | 第81-82页 |
| 大摘要 | 第82-86页 |