| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.2.1 国内外数据流挖掘研究现状 | 第14页 |
| 1.2.2 国内外概念漂移研究现状 | 第14-15页 |
| 1.3 本论文主要工作 | 第15页 |
| 1.4 本论文结构安排 | 第15-17页 |
| 2 数据流聚类的相关研究 | 第17-26页 |
| 2.1 数据分析基础 | 第17-21页 |
| 2.1.1 数据集种类 | 第17-18页 |
| 2.1.2 数据的相关联系 | 第18-20页 |
| 2.1.3 数据挖掘相关技术 | 第20-21页 |
| 2.2 传统数据聚类算法 | 第21-22页 |
| 2.3 数据流聚类算法综述 | 第22-25页 |
| 2.3.1 Single-phase model算法 | 第22-23页 |
| 2.3.2 Two-phase scheme算法 | 第23-24页 |
| 2.3.3 基于密度网格的数据流聚类算法 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 数据流中概念漂移的相关研究 | 第26-31页 |
| 3.1 概念漂移的介绍和种类 | 第26页 |
| 3.2 检测概念漂移的研究现状 | 第26-27页 |
| 3.3 基于增量式决策树模型的数据流概念漂移检测 | 第27-29页 |
| 3.3.1 CVFDT系列数据流概念漂移检测 | 第27-28页 |
| 3.3.2 RDT系列数据流概念漂移检测 | 第28-29页 |
| 3.4 通过数据流属性检测概念漂移 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 4 基于密度网格改进DCDA概念漂移检测的聚类算法 | 第31-44页 |
| 4.1 问题背景 | 第31-32页 |
| 4.2 相关研究工作 | 第32-33页 |
| 4.2.1 基于密度网格数据流聚类框架的基本定义 | 第32-33页 |
| 4.2.2 DCDA概念漂移检测模型 | 第33页 |
| 4.3 基于密度网格的概念漂移检测算法 | 第33-40页 |
| 4.3.1 算法基本框架 | 第34-35页 |
| 4.3.2 DCDD概念漂移检测模型 | 第35-37页 |
| 4.3.3 滑动窗口调整策略 | 第37-38页 |
| 4.3.4 预测模型和Concept-Feature | 第38-40页 |
| 4.3.5 算法描述与分析 | 第40页 |
| 4.4 实验结果 | 第40-43页 |
| 4.4.1 实验设备与数据集 | 第40-41页 |
| 4.4.2 实验结果评价指标 | 第41页 |
| 4.4.3 实验结果对比 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 5 基于相对密度网格的数据流聚类算法和边界检测 | 第44-54页 |
| 5.1 问题描述 | 第44页 |
| 5.2 问题解决思想 | 第44-45页 |
| 5.3 相对密度网格聚类算法和边界检测算法 | 第45-49页 |
| 5.3.1 相邻网格的相似权重 | 第46页 |
| 5.3.2 相对密度网格聚类 | 第46-48页 |
| 5.3.3 边界检测算法 | 第48-49页 |
| 5.4 实验结果 | 第49-53页 |
| 5.4.1 实验设备与数据集 | 第49-50页 |
| 5.4.2 测试多密度数据集 | 第50-51页 |
| 5.4.3 测试包含边界点的数据集 | 第51页 |
| 5.4.4 真实数据集实验结果对比 | 第51-52页 |
| 5.4.5 时间性能对比 | 第52-53页 |
| 5.5 本章小结 | 第53-54页 |
| 6 结论与展望 | 第54-56页 |
| 6.1 研究工作总结 | 第54页 |
| 6.2 今后工作展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第61-63页 |
| 学位论文数据集 | 第63页 |
