1 绪 论
1.1 研究的背景及意义
1.2 混合属性数据的处理方法研究现状
1.2.1 数值属性离散化方法
1.2.2 分类属性数值化方法
1.2.3 距离度量学习方法
1.2.4 模型学习方法
1.3 混合属性数据的分类及存在的问题
1.4 研究动机、内容及关联性
1.4.1 研究动机
1.4.2 研究内容
1.4.3 内容关联性
1.5 论文组织
2 基于微调条件概率的分类属性数值化方法
2.1 引言
2.2 相关理论基础
2.2.1 分类属性的数据转换方法
2.2.2 分类属性的 VDM 度量
2.2.3 基于 MIC 的特征选择
2.3 算法设计
2.3.1 FTCP 算法框架
2.3.2 微调的条件概率转换方法
2.3.3 改进的 MIC 特征选择方法
2.4 实验与评估
2.4.1 实验设置
2.4.2 实验结果与分析
2.5 本章小结
3 基于多视图异构融合的混合属性度量学习及嵌入学习
3.1 引言
3.2 耦合学习理论
3.2.1 分类属性内的耦合学习
3.2.2 分类属性之间的耦合学习
3.2.3 分类属性对类的耦合学习
3.3 算法设计
3.3.1 MVHF算法框架
3.3.2 多核异构融合的度量学习
3.3.3 嵌入表示学习
3.3.4 算法描述
3.4 实验与评估
3.4.1 实验设置
3.4.2 实验结果与分析
3.5 本章小结
4 基于混合属性度量学习的RBF-ELM网络
4.1 引言
4.2 相关理论基础
4.2.1 分类属性的距离度量
4.2.2 密度峰值聚类方法
4.2.3 RBF-ELM 网络
4.3 算法设计
4.3.1 MD-ELM-RBF网络架构
4.3.2 混合属性的距离度量
4.3.3 基于 DPC 方法选择 MD-ELM-RBF的中心
4.3.4 算法描述
4.4 实验与评估
4.4.1 实验设置
4.4.2 实验结果与分析
4.5 本章小结
5 基于软OneHot编码的混合属性数据流分类
5.1 引言
5.2 相关理论基础
5.2.1 数据流分类
5.2.2 分类属性编码方法
5.3 算法设计
5.3.1 混合属性数据流分类框架
5.3.2 软 OneHot 编码方法
5.3.3 改进的 HDDDM 漂移检测
5.3.4 算法描述
5.4 实验与评估
5.4.1 实验设置
5.4.2 实验结果与分析
5.5 本章小结
6 总结与展望
6.1 结论
6.2 展望
参考文献
附 录
A. 作者在攻读博士学位期间发表的论文目录
B. 作者在攻读博士学位期间参加的科研项目
C. 学位论文数据集
致谢
重庆大学;