声明
摘要
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 问题的提出和本文主要工作
1.4 本文组织结构
第2章 相关工作概述
2.1 ELM
2.1.1 ELM的提出
2.1.2 极限学习机算法描述
2.1.3 PELM的提出
2.2 Mapreduce
2.2.1 MapReduce编程模型
2.2.2 Hadoop平台
2.3 不确定数据挖掘概述
2.3.1 不确定数据产生原因
2.3.2 不确定数据模型
2.3.3 不确定数据分类算法
2.4 数据流分类算法及其概念漂移的处理
2.4.1 数据流及概念漂移
2.4.2 数据流分类算法简述
2.5 本章小结
第3章 基于不确定数据的分布式极限学习机算法
3.1 不确定数据的相关问题
3.1.1 不确定数据模型
3.1.2 不确定数据的分类方法
3.2 分布式极限学习机算法
3.2.1 PELM
3.2.2 DELM算法的矩阵划分方法
3.2.3 基于并行矩阵分块乘法的DELM算法详细描述
3.3 本章小结
第4章 基于分布式ELM的加权集成数据流分类算法
4.1 WE-DELM算法提出的背景知识
4.1.1 不确定数据流
4.1.2 WEC算法
4.1.3 概念漂移数据流分类器的构建
4.1.4 概念漂移的检测
4.2 算法WE-DELM的基本思想
4.3 算法主要过程描述
4.3.1 新分类器建立及权值调整
4.3.2 分类器更新与裁减
4.4 算法WE-DELM的详细描述
4.5 基于概念缓冲的CBWE-DELM算法的主要思想及框架模型
4.6 基于概念缓冲的CBWE-DELM算法的详细描述
4.7 本章小结
第5章 实验及结果分析
5.1 实验环境
5.2 数据集
5.3 实验分析
5.3.1 大数据集下准确率及效率的对比
5.3.2 大数据集下加速比及扩展性的对比
5.3.3 DELM算法分块策略的影响
5.3.4 不确定数据流环境下WE-DELM与DCE,UCVFDT的对比
5.3.5 概念往复不确定数据流环境下算法性能的对比
5.4 本章小结
第6章 总结与展望
6.1 本文总结
6.2 工作展望
参考文献
致谢
攻硕期间参与项目及发表的论文