声明
致谢
摘要
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 单标签数据流分类国内外研究现状
1.2.2 多标签分类国内外研究现状
1.2.3 多标签数据流分类国内外研究现状
1.3 当前研究中存在的问题
1.4 研究内容与组织结构
1.4.1 研究内容
1.4.2 论文组织结构
2 分类算法简介
2.1 数据流分类算法简介
2.1.1 增量学习
2.1.2 集成学习
2.1.3 现实工具
2.2 多标签分类算法简介
2.2.1 问题转换
2.2.2 算法适应
2.2.3 评价指标
2.2.4 现实工具
2.3 多标签数据流分类算法简介
2.3.1 评价指标
2.3.2 现实工具
2.4 本章小结
3 基于快速无监督特征选择的数据流分类算法
3.1 问题定义
3.2 算法基础
3.2.1 无监督特征选择
3.2.2 DXMiner算法
3.3 基于快速无监督特征选择的数据流分类算法
3.3.1 算法基本思想
3.3.2 两种特征子集快速选择方法
3.3.3 统一特征空间
3.3.4 分类器训练与更新
3.4 实验及结果分析
3.4.1 特征选择算法性能比较
3.4.2 特征子集的大小对分类效果的影响
3.4.3 分类算法性能对比
3.5 本章小结
4 加权的集成多标签数据流分类算法
4.1 算法基础
4.1.1 ML-KNN算法
4.2 基于集成的加权多标签数据流分类算法
4.2.1 算法基本思想
4.2.2 算法的训练与更新
4.2.3 权重调节
4.3 实验及结果分析
4.3.1 SWMEC与其基准算法ML-KNN算法的性能比较
4.3.2 SWMEC与SMART算法的性能比较
4.4 本章小结
5 集成大小不限的多标签数据流分类算法
5.1 集成大小不限的加权多标签数据流分类算法
5.1.1 算法基本思想
5.1.2 算法的训练与更新
5.1.3 权重调节
5.2 实验及结果分析
5.2.1 SWMUEC与MLKNN、SMART的性能比较
5.2.2 SWMUEC与改进前算法SWMEC的性能比较
5.3 本章小结
6 结论与展望
6.1 研究总结
6.2 工作展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集