声明
摘要
第一章 绪论
1.1 选题背景及研究意义
1.2 研究现状
1.3 主要研究内容与创新点
1.4 本文章节安排
第二章 一致性预测器概述
2.1 一致性预测器
2.1.1 一致性预测器原理
2.1.2 一致性预测的算法流程
2.2 奇异度量函数
2.2.1 基于K近邻的奇异度量函数
2.2.2 奇异值度量函数其它设计方法
2.3 现有的一致性预测器改进算法
2.3.1 归纳式一致性预测器算法
2.3.2 蒙德里安一致性预测器算法
2.4 本章小结
第三章 基于度量学习的一致性预测器研究
3.1 距离度量学习算法简介
3.1.1 局部Fisher判别分析算法(LFDA)
3.1.2 判别成分分析算法(DCA)
3.1.3 大间隔近邻算法(LMNN)
3.2 基于度量学习的一致性预测器算法
3.2.1 基于度量学习一致性预测器算法原理
3.2.2 算法时间复杂度分析
3.3 实验与分析
3.3.1 实验数据
3.3.2 实验指标
3.3.3 实验对比分析
3.4 本章小结
第四章 基于聚类的一致性预测器算法研究
4.1 现有处理非平衡的算法
4.2 基于聚类的一致性预测器算法
4.2.1 基于聚类抽样的一致性预测器算法原理
4.2.2 基于聚类划分的一致性预测器算法原理
4.2.3 算法时间复杂度分析
4.3 实验与分析
4.3.1 实验数据
4.3.2 实验指标
4.3.3 实验对比分析
4.4 本章小结
第五章 总结与展望
5.1 本文研究总结
5.2 研究课题展望
参考文献
附录
致谢