| 内容提要 | 第1-7页 |
| 第一章 绪论 | 第7-19页 |
| ·研究背景和意义 | 第7-9页 |
| ·分类问题 | 第9-11页 |
| ·概念漂移问题 | 第11-16页 |
| ·问题概述 | 第11-12页 |
| ·问题类型 | 第12-13页 |
| ·研究现状 | 第13-16页 |
| ·聚类问题 | 第16-17页 |
| ·本文工作 | 第17-19页 |
| 第二章 基本概念、理论和方法 | 第19-35页 |
| ·贝叶斯网概述 | 第19-24页 |
| ·基本概念 | 第19-21页 |
| ·贝叶斯网推理 | 第21-23页 |
| ·贝叶斯网学习 | 第23-24页 |
| ·集成学习 | 第24-30页 |
| ·Bagging和Boosting方法 | 第26-28页 |
| ·结果组合的方法 | 第28-30页 |
| ·粒子群算法 | 第30-33页 |
| ·遗传算法 | 第33-34页 |
| ·小结 | 第34-35页 |
| 第三章 基于实例选择的贝叶斯网分类器集成方法 | 第35-57页 |
| ·贝叶斯网分类器概述 | 第35-36页 |
| ·常见分类模型 | 第36-40页 |
| ·集成方法 | 第40-42页 |
| ·实验对比 | 第42-55页 |
| ·实验数据 | 第42-43页 |
| ·算法实现策略 | 第43-51页 |
| ·实验结果与分析 | 第51-55页 |
| ·小结 | 第55-57页 |
| 第四章 面向概念漂移问题的朴素贝叶斯集成分类方法研究 | 第57-83页 |
| ·自适应集成学习算法AMCE | 第58-71页 |
| ·算法描述 | 第58-61页 |
| ·预测错误边界分析 | 第61-63页 |
| ·基于KL距离的剪枝策略 | 第63-65页 |
| ·实验对比 | 第65-71页 |
| ·基于方向选择的分类器集成算法OSEN | 第71-78页 |
| ·算法描述 | 第72页 |
| ·基于方向的个体分类器选择方法 | 第72-73页 |
| ·算法时间复杂度分析 | 第73-74页 |
| ·实验对比 | 第74-78页 |
| ·基于GA的分类器集成算法 | 第78-82页 |
| ·算法描述 | 第78-81页 |
| ·算法复杂度分析 | 第81页 |
| ·实验结果与分析 | 第81-82页 |
| ·小结 | 第82-83页 |
| 第五章 基于离散粒子群的朴素贝叶斯聚类算法 | 第83-91页 |
| ·基本算法 | 第83-85页 |
| ·位置和速度 | 第83页 |
| ·操作 | 第83-84页 |
| ·适应度函数 | 第84-85页 |
| ·升序准则 | 第85页 |
| ·局部搜索方法 | 第85-87页 |
| ·EM算法描述 | 第85-86页 |
| ·参数估计方法 | 第86-87页 |
| ·混合算法总体过程 | 第87页 |
| ·实验结果与分析 | 第87-89页 |
| ·小结 | 第89-91页 |
| 第六章 结论与展望 | 第91-93页 |
| 参考文献 | 第93-101页 |
| 攻读博士学位期间的研究成果 | 第101-102页 |
| 致谢 | 第102-103页 |
| 摘要 | 第103-106页 |
| Abstract | 第106-109页 |