声明
致谢
摘要
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 国内外数据流挖掘研究现状
1.2.2 国内外概念漂移研究现状
1.3 本论文主要工作
1.4 本论文结构安排
2 数据流聚类的相关研究
2.1 数据分析基础
2.1.1 数据集种类
2.1.2 数据的相关联系
2.1.3 数据挖掘相关技术
2.2 传统数据聚类算法
2.3 数据流聚类算法综述
2.3.2 Two-phase scheme算法
2.3.3 基于密度网格的数据流聚类算法
2.4 本章小结
3 数据流中概念漂移的相关研究
3.1 概念漂移的介绍和种类
3.2 概念漂移的检测算法分类
3.3 基于增量式决策树模型的数据流概念漂移检测
3.3.1 CVFDT系列数据流概念漂移检测
3.3.2 RDT系列数据流概念漂移检测
3.4 通过数据流属性检测概念漂移
3.5 本章小结
4 基于密度网格改进DCDA概念漂移检测的聚类算法
4.1 问题背景
4.2 相关研究工作
4.2.1 基于密度网格数据流聚类框架的基本定义
4.2.2 DCDA概念漂移检测模型
4.3 基于密度网格的概念漂移检测算法
4.3.1 算法基本框架
4.3.2 DCDD概念漂移检测模型
4.3.3 滑动窗口调整策略
4.3.4 预测模型和Concept-Feature
4.3.5 算法描述与分析
4.4 实验结果
4.4.1 实验设备与数据集
4.4.2 实验结果评价指标
4.4.3 实验结果对比
4.5 本章小结
5 基于相对密度网格的数据流聚类算法和边界检测
5.1 问题描述
5.2 问题解决思想
5.3 相对密度网格聚类算法和边界检测算法
5.3.1 相邻网格的相似权重
5.3.2 相对密度网格聚类
5.3.2 边界检测算法
5.4 实验结果
5.4.1 实验设备与数据集
5.4.2 测试多密度数据集
5.4.3 测试包含边界点的数据集
5.4.4 真实数据集实验结果对比
5.4.5 时间性能对比
5.5 本章小结
6.1 研究工作总结
6.2 今后工作展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集