| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 非平衡学习研究问题 | 第15-16页 |
| 1.1.1 非平衡学习简介 | 第15页 |
| 1.1.2 非平衡学习研究现状 | 第15-16页 |
| 1.2 半监督学习的研究现状 | 第16-19页 |
| 1.3 本文研究内容及结构安排 | 第19-21页 |
| 第二章 非平衡学习与半监督SVM学习基础 | 第21-31页 |
| 2.1 非平衡学习的主要方法 | 第21-24页 |
| 2.1.1 数据层面方法 | 第21-22页 |
| 2.1.2 代价敏感学习 | 第22-23页 |
| 2.1.3 集成学习 | 第23-24页 |
| 2.2 非平衡学习分类方法性能评价准则 | 第24-25页 |
| 2.3 SVM基本原理 | 第25-27页 |
| 2.4 半监督SVM算法 | 第27-31页 |
| 第三章 基于Granular SVM的非平衡学习 | 第31-43页 |
| 3.1 SVM算法和欠采样的局限性分析 | 第31-32页 |
| 3.2 Granular SVM | 第32-34页 |
| 3.2.1 现有的基于SVM的非平衡学习算法 | 第32页 |
| 3.2.2 Granular SVM | 第32-34页 |
| 3.3 结合欠采样和Granular SVM的非平衡学习算法 | 第34-36页 |
| 3.3.1 算法设计思路 | 第34-35页 |
| 3.3.2 结合欠采样和Granular SVM的非平衡学习算法 | 第35-36页 |
| 3.4 实验结果及分析 | 第36-43页 |
| 3.4.1 UCI数据集上的算法有效性实验 | 第36-40页 |
| 3.4.2 参数对算法性能的影响 | 第40-43页 |
| 第四章 基于Granular S3VM的集成学习算法 | 第43-63页 |
| 4.1 半监督算法在非平衡学习中的局限性分析 | 第43-45页 |
| 4.1.1 现有处理非平衡数据的半监督算法 | 第43-44页 |
| 4.1.2 半监督SVM算法在不平衡数据集上的局限性分析 | 第44-45页 |
| 4.2 基于Granular S3VM的非平衡学习 | 第45-48页 |
| 4.2.1 局部搜索策略 | 第45-46页 |
| 4.2.2 一种基于Granular S3VM的非平衡学习算法 | 第46-48页 |
| 4.3 实验结果及分析 | 第48-51页 |
| 4.3.1 UCI数据集上的算法有效性实验 | 第48-51页 |
| 4.4 基于Granular S3VM的集成学习算法 | 第51-55页 |
| 4.4.1 现有的SVM集成算法 | 第51-52页 |
| 4.4.2 集成学习策略 | 第52-54页 |
| 4.4.3 基于Granular S3VM的集成学习算法 | 第54-55页 |
| 4.5 实验结果及分析 | 第55-63页 |
| 4.5.1 UCI数据集上的算法有效性实验 | 第55-59页 |
| 4.5.2 参数对算法性能的影响 | 第59-63页 |
| 第五章 基于采样的Granular S3VM集成学习算法 | 第63-73页 |
| 5.1 基于过采样的Granular S3VM集成算法 | 第63-64页 |
| 5.2 基于欠采样的Granular S3VM集成算法 | 第64-68页 |
| 5.2.1 基于K-means聚类的欠采样方法 | 第64-67页 |
| 5.2.2 基于欠采样的Granular S3VM集成算法 | 第67-68页 |
| 5.3 基于SVM置信度采样的Granular S3VM集成算法 | 第68-69页 |
| 5.4 实验结果与分析 | 第69-73页 |
| 5.4.1 UCI数据集上的算法有效性实验 | 第69-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81-83页 |
| 作者简介 | 第83-84页 |
