声明
摘要
第一章 绪论
1.1 课题的研究背景和意义
1.2 国内外研究现状
1.2.1 高维数据流降维技术研究现状
1.2.2 数据流聚类算法研究现状
1.2.3 数据流趋势分析方法研究现状
1.3 课题的研究内容和组织结构
1.4 本课题主要研究思路和创新点
1.5 本章小结
第二章 高维数据流分析的相关理论基础
2.1 高维数据流
2.1.1 高维数据流的特点
2.1.2 高维数据流的应用
2.2 高维数据流常用的降维技术
2.2.1 降维的定义
2.2.2 常用的降维技术
2.2.3 常用降维技术的优缺点
2.3 数据流聚类分析
2.3.1 聚类分析的基本概念
2.3.2 数据流聚类分析的相关技术
2.3.3 数据流聚类算法要求
2.4 经典的数据流聚类算法
2.4.1 经典的数据流聚类算法分析
2.4.2 经典的数据流聚类算法的优缺点
2.5 本章小结
第三章 高维数据流聚类算法改进
3.1 信息熵与特征投影相结合的降维算法—H-HpFitStream
3.1.1 信息熵
3.1.2 改进的高维数据流降维算法—H-HpFitStream
3.2 改进的数据流聚类算法—D-LFStream
3.2.1 蚁群聚类算法基本原理及分类
3.2.2 LF算法模型及其性能评价
3.2.3 D-LFStream算法模型的具体改进方案
3.2.4 D-LFStream算法模型的实现过程
3.3 本章小结
第四章 动态数据流的趋势分析算法改进
4.1 问题描述
4.2 经典的数据流趋势分析算法分析
4.3 改进的趋势分析算法
4.3.1 基于总体最小二乘法的动态数据流平稳变化指标的趋势分析
4.3.2 基于指数回归算法的动态数据流剧烈变化指标的趋势分析
4.3.3 基于置信区间的变化点检测
4.3.4 改进的趋势分析算法步骤及流程
4.4 本章小结
第五章 仿真实验及应用分析
5.1 应用背景
5.2 实验数据集及实验环境
5.2.1 实验数据集
5.2.2 实验环境
5.3 H-HpFitStream算法的仿真实验及分析
5.3.1 H-HpFitStream算法实验结果与分析
5.3.2 降维算法对比实验结果与分析
5.4 D-LFStream算法的仿真实验及分析
5.4.1 聚类实验结果与分析
5.4.2 聚类客观评价指标及对比分析
5.5 趋势分析应用实验及分析
5.5.1 趋势分析实验结果与分析
5.5.2 趋势分析客观评价指标及对比分析
5.6 本章小结
第六章 结论与展望
6.1 主要的研究成果总结
6.2 今后工作的展望
致谢
参考文献
攻读硕士学位期间的研究成果
重庆交通大学;