加权的多视图聚类方法
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-14页 |
| 1.1 研究背景及意义 | 第6-7页 |
| 1.2 国内外研究现状 | 第7-10页 |
| 1.2.1 传统单视图聚类方法 | 第7-9页 |
| 1.2.2 多视图聚类方法 | 第9-10页 |
| 1.3 本文的主要工作 | 第10-12页 |
| 1.3.1 算法的基本假设 | 第11页 |
| 1.3.2 主要研究内容 | 第11-12页 |
| 1.3.3 创新点 | 第12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 2 多视图聚类方法的发展 | 第14-24页 |
| 2.1 多视图数据 | 第14-15页 |
| 2.2 多视图聚类方法 | 第15-16页 |
| 2.3 基于完整多视图数据的聚类方法 | 第16-21页 |
| 2.3.1 多视图典型相关性分析 | 第16页 |
| 2.3.2 核多视图聚类方法 | 第16-18页 |
| 2.3.3 基于协同训练的视图聚类方法 | 第18-20页 |
| 2.3.4 多视图子空间聚类方法 | 第20-21页 |
| 2.4 基于不完整多视图数据的聚类方法 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 基于熵的加权多视图k-均值聚类算法 | 第24-35页 |
| 3.1 多视图k-均值算法 | 第24-25页 |
| 3.2 基于熵的加权多视图k-均值聚类算法 | 第25页 |
| 3.3 算法优化步骤 | 第25-28页 |
| 3.4 实验设置 | 第28-31页 |
| 3.4.1 多视图数据集 | 第29页 |
| 3.4.2 评价准则 | 第29-30页 |
| 3.4.3 对比算法简介 | 第30-31页 |
| 3.5 实验结果及分析 | 第31-34页 |
| 3.5.1 实验结果展示 | 第31-32页 |
| 3.5.2 时间复杂度分析 | 第32-33页 |
| 3.5.3 加权策略分析 | 第33-34页 |
| 3.6 本章小结 | 第34-35页 |
| 4 基于自步学习的多视图聚类方法 | 第35-53页 |
| 4.1 自步学习相关技术 | 第35-37页 |
| 4.2 基于自步学习的多视图k-均值聚类方法 | 第37-42页 |
| 4.2.1 算法流程 | 第38-40页 |
| 4.2.2 对比实验 | 第40-42页 |
| 4.3 基于自步学习的多视图谱聚类 | 第42-46页 |
| 4.3.1 单视图谱聚类 | 第42-43页 |
| 4.3.2 多视图谱聚类 | 第43-44页 |
| 4.3.3 本文算法模型 | 第44-45页 |
| 4.3.4 算法复杂度分析 | 第45-46页 |
| 4.4 基于自步学习的多视图谱聚类算法的实验分析 | 第46-52页 |
| 4.4.1 对比算法介绍 | 第47页 |
| 4.4.2 参数设置 | 第47-48页 |
| 4.4.3 实验结果展示及分析 | 第48-52页 |
| 4.5 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-61页 |
