| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 多视角聚类国内外研究现状 | 第12-15页 |
| 1.3 论文的组织结构 | 第15-16页 |
| 2 相关研究概述 | 第16-28页 |
| 2.1 几种经典的聚类算法介绍 | 第16-17页 |
| 2.2 面向大规模数据的单视角聚类 | 第17-21页 |
| 2.2.1 基于抽样的方法 | 第18-19页 |
| 2.2.2 基于聚类特征选择的方法 | 第19-20页 |
| 2.2.3 基于约束信息的半监督聚类算法 | 第20-21页 |
| 2.2.4 基于分布式平台的聚类算法 | 第21页 |
| 2.3 多视角聚类技术 | 第21-27页 |
| 2.3.1 基于协同训练的多视角聚类算法 | 第22-24页 |
| 2.3.2 基于多核学习的多视角聚类算法 | 第24-26页 |
| 2.3.3 基于子空间的多视角聚类算法 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 LKMC多视角聚类算法 | 第28-44页 |
| 3.1 背景介绍 | 第28-29页 |
| 3.2 机器学习中的范数正则化介绍 | 第29-33页 |
| 3.2.1 L1范数 | 第30-31页 |
| 3.2.2 L2范数 | 第31-32页 |
| 3.2.3 L1范数与L2范数的差异 | 第32-33页 |
| 3.3 算法相关公式 | 第33-36页 |
| 3.4 算法描述 | 第36-43页 |
| 3.4.1 面向大规模数据的多视角K-means聚类算法（LKMC） | 第40-42页 |
| 3.4.2 RMKMC算法 | 第42-43页 |
| 3.5 算法收敛性分析 | 第43页 |
| 3.6 本章小结 | 第43-44页 |
| 4 实验结果及分析 | 第44-55页 |
| 4.1 实验环境的建立 | 第44页 |
| 4.2 实验设计 | 第44-53页 |
| 4.2.1 实验数据 | 第45-47页 |
| 4.2.2 数据预处理 | 第47-49页 |
| 4.2.3 评测方法 | 第49-50页 |
| 4.2.4 实验结果及分析 | 第50-53页 |
| 4.3 算法时间复杂度分析 | 第53页 |
| 4.4 参数讨论 | 第53页 |
| 4.5 本章小结 | 第53-55页 |
| 5 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55页 |
| 5.2 展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 个人简历、在校期间发表的学术论文与研究成果 | 第61-62页 |
| 致谢 | 第62页 |