摘要 | 第4-5页 |
Abstract | 第5-6页 |
1 绪论 | 第9-15页 |
1.1 研究背景与意义 | 第9-10页 |
1.2 国内外研究现状及趋势 | 第10-12页 |
1.3 论文的研究内容 | 第12-13页 |
1.4 论文的章节结构 | 第13-15页 |
2 相关技术介绍 | 第15-28页 |
2.1 迁移学习概述 | 第15-20页 |
2.1.1 迁移学习形式化概念 | 第15页 |
2.1.2 基于Boosting的迁移学习算法 | 第15-17页 |
2.1.3 基于特征的迁移学习 | 第17-18页 |
2.1.4 多源迁移学习 | 第18-19页 |
2.1.5 迁移学习的应用 | 第19-20页 |
2.1.6 负迁移 | 第20页 |
2.2 异常站点检测与真值预测 | 第20-27页 |
2.2.1 异常检测(iForest) | 第21-22页 |
2.2.2 回归模型 | 第22-27页 |
2.2.3 回归模型的度量指标 | 第27页 |
2.3 本章总结 | 第27-28页 |
3 VFKMM-TrAdaBoost算法 | 第28-40页 |
3.1 TrAdaBoost算法缺点分析 | 第28-29页 |
3.2 基于Very Fast KMM的TrAdaBoost权重初始化 | 第29-32页 |
3.3 基于二分类的概率输出的TrAdaBoost权重初始化 | 第32-33页 |
3.4 基于权重分位数和最低阀值的样本排除策略 | 第33-35页 |
3.5 实验结果与分析 | 第35-39页 |
3.6 本章总结 | 第39-40页 |
4 加权多源的VFKMM-TrAdaBoost回归算法 | 第40-48页 |
4.1 算法原理 | 第40-44页 |
4.2 实验结果与分析 | 第44-47页 |
4.3 本章总结 | 第47-48页 |
5 异常站点检测与真值预测模型 | 第48-61页 |
5.1 问题分析 | 第48页 |
5.2 模型分析 | 第48-55页 |
5.2.1 数据清洗 | 第49页 |
5.2.2 特征提取 | 第49-52页 |
5.2.3 基于特征选择的iForest异常站点检测 | 第52-53页 |
5.2.4 异常站点真值预测 | 第53-55页 |
5.3 实验结果与分析 | 第55-60页 |
5.3.1 实验数据 | 第55-56页 |
5.3.2 模型评估 | 第56-60页 |
5.4 本章总结 | 第60-61页 |
6 总结与展望 | 第61-63页 |
6.1 论文工作总结 | 第61-62页 |
6.2 展望 | 第62-63页 |
参考文献 | 第63-66页 |
致谢 | 第66-67页 |