|
|
|
类别不平衡和误分类代价不等的数据集分类方法及应用 |
|
论文目录 |
|
摘要 | 第1-6页 | ABSTRACT | 第6-12页 | 第一章 绪论 | 第12-27页 | ·研究背景和意义 | 第12-15页 | ·类别不平衡数据集的分类方法国内外研究现状 | 第15-21页 | ·类别不平衡数据集分类的难点 | 第15-16页 | ·类别不平衡数据集的分类方法概述 | 第16-20页 | ·类别不平衡数据集的分类方法评价标准概述 | 第20-21页 | ·误分类代价不等的数据集分类方法国内外研究现状 | 第21-22页 | ·有色冶金过程中类别不平衡学习和代价敏感学习的需求 | 第22-24页 | ·本论文的研究内容和结构安排 | 第24-27页 | 第二章 类别不平衡和误分类代价不等的数据集分类方法基础 | 第27-50页 | ·类别不平衡数据集的分类方法 | 第27-32页 | ·重采样方法 | 第27-29页 | ·单类分类学习 | 第29-30页 | ·类别不平衡的数据集分类方法评价标准 | 第30-32页 | ·误分类代价不等的数据集分类方法 | 第32-35页 | ·代价类型 | 第33-34页 | ·代价敏感学习 | 第34-35页 | ·主动学习 | 第35-38页 | ·主动代价敏感学习 | 第37-38页 | ·特征选择 | 第38-41页 | ·有色冶金过程中操作模式集的特点 | 第41-49页 | ·操作模式描述 | 第42-43页 | ·操作模式集中存在的问题 | 第43-45页 | ·操作模式分类的假设 | 第45-46页 | ·有色冶金过程的操作模式分类流程图 | 第46-49页 | ·本章小结 | 第49-50页 | 第三章 相对类别不平衡的代价敏感概率神经网络 | 第50-66页 | ·贝叶斯决策 | 第51-53页 | ·PARZEN窗函数 | 第53-54页 | ·基于密度函数核估计的概率神经网络 | 第54-55页 | ·基于密度函数混合高斯分布估计的概率神经网络 | 第55-57页 | ·代价敏感概率神经网络 | 第57-59页 | ·实验与分析 | 第59-65页 | ·本章小结 | 第65-66页 | 第四章 极端类别不平衡的支持向量数据描述 | 第66-77页 | ·支持向量数据描述 | 第66-69页 | ·粒子群优化算法 | 第69-70页 | ·基于粒子群优化和滑动窗口的支持向量数据描述 | 第70-72页 | ·实验与分析 | 第72-76页 | ·本章小结 | 第76-77页 | 第五章 类别不平衡和噪音特征的代价敏感支持向量机 | 第77-103页 | ·代价敏感支持向量机 | 第77-86页 | ·支持向量机 | 第77-80页 | ·代价敏感支持向量机 | 第80-81页 | ·间隔校正的代价敏感支持向量机 | 第81-86页 | ·基于粒子群优化的代价敏感支持向量机 | 第86-88页 | ·基于同步优化的间隔校正的代价敏感支持向量机 | 第88-90页 | ·离散版的粒子群优化算法 | 第88页 | ·基于同步优化的间隔校正的代价敏感支持向量机 | 第88-90页 | ·实验与分析 | 第90-102页 | ·基于粒子群优化的代价敏感支持向量机 | 第91-98页 | ·基于同步优化的间隔校正的代价敏感支持向量机 | 第98-102页 | ·本章小结 | 第102-103页 | 第六章 类别不平衡和标注代价昂贵的主动自训练代价敏感学习 | 第103-116页 | ·主动代价敏感学习图 | 第104页 | ·不确定性采样 | 第104-105页 | ·代价敏感分类器 | 第105-106页 | ·主动自训练代价敏感学习 | 第106-108页 | ·近似正确理论分析 | 第106-107页 | ·基于不确定性采样的自训练代价敏感支持向量机 | 第107-108页 | ·实验与分析 | 第108-115页 | ·本章小结 | 第115-116页 | 第七章 结论与展望 | 第116-119页 | ·结论 | 第116-117页 | ·展望 | 第117-119页 | 参考文献 | 第119-133页 | 致谢 | 第133-134页 | 攻读博士学位期间主要的研究成果 | 第134-135页 |
|
|
|
|
论文编号BS1743664,这篇论文共135页 会员购买按0.35元/页下载,共需支付47.25元。 直接购买按0.5元/页下载,共需要支付67.5元 。 |
|
|
我还不是会员,注册会员!
会员下载更优惠!充值送钱! |
我只需要这篇,无需注册!
直接网上支付,方便快捷! |
|
|
|
版权申明:本目录由www.jylw.com网站制作,本站并未收录原文,如果您是作者,需要删除本篇论文目录请通过QQ或其它联系方式告知我们,我们承诺24小时内删除。 |
|
|