基于核学习方法的聚类算法研究

摘要	第1-5页
Abstract	第5-9页
1 绪论	第9-13页
·引言	第9页
·国内外研究现状	第9-11页
·选题背景及意义	第11-12页
·本文的研究内容和安排	第12-13页
2 数据挖掘技术中的经典聚类算法	第13-18页
·引言	第13页
·数据挖掘	第13页
·聚类分析	第13-14页
·经典聚类算法	第14-16页
·层次聚类算法	第14页
·K-均值聚类算法	第14-15页
·自组织映射神经网络聚类算法	第15-16页
·聚类可视化	第16-17页
·小结	第17-18页
3 基于核学习方法的聚类算法	第18-28页
·引言	第18页
·支持向量机和核学习方法	第18-21页
·核K-均值聚类算法	第21-23页
·支持向量聚类算法	第23-27页
·基于支持向量机的训练	第24-25页
·聚类标识	第25-26页
·改进的支持向量聚类算法	第26-27页
·小结	第27-28页
4 核K-均值聚类算法和支持向量聚类算法相关实验	第28-55页
·引言	第28页
·聚类算法性能评价	第28页
·相关数据集	第28-30页
·经典聚类算法仿真实验	第30-36页
·核K-均值聚类算法仿真实验	第36-42页
·不同参数下核K-均值算法比较实验	第36-39页
·核K-均值算法与经典算法比较实验	第39-42页
·支持向量聚类算法的仿真实验	第42-54页
·不同参数下支持向量聚类算法比较实验	第42-49页
·支持向量聚类算法与经典算法的比较实验	第49-53页
·支持向量聚类算法与核K一均值聚类算法比较实验	第53-54页
·小结	第54-55页
结论	第55-56页
致谢	第56-57页
参考文献	第57-59页
攻读学位期间的研究成果	第59页