基于神经元形态分类的PCA-聚类算法研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-13页 |
| ·研究背景 | 第8-9页 |
| ·研究的意义 | 第9页 |
| ·国内外研究现状 | 第9-11页 |
| ·本文研究的内容 | 第11-12页 |
| ·本文的组织结构 | 第12-13页 |
| 第二章 数据来源、格式和信息说明 | 第13-17页 |
| ·数据来源说明 | 第13页 |
| ·数据格式说明 | 第13-14页 |
| ·数据信息的说明 | 第14-17页 |
| 第三章 PCA与聚类相关基础 | 第17-31页 |
| ·PCA介绍 | 第17-21页 |
| ·PCA理论基础 | 第18-19页 |
| ·PCA的特点 | 第19-21页 |
| ·聚类介绍 | 第21-23页 |
| ·聚类的主要步骤 | 第21-22页 |
| ·聚类算法的种类 | 第22-23页 |
| ·系统聚类法和K-means聚类法 | 第23-30页 |
| ·距离和相似系数 | 第24-26页 |
| ·系统聚类法的基本步骤 | 第26页 |
| ·系统聚类的方法 | 第26-29页 |
| ·谱系图确定分类个数的准则 | 第29页 |
| ·K-means算法 | 第29-30页 |
| ·小结 | 第30-31页 |
| 第四章 PCA-聚类算法及改进 | 第31-40页 |
| ·直接运用聚类算法存在的问题 | 第31-32页 |
| ·PCA-聚类算法的优点 | 第32-33页 |
| ·PCA-聚类算法流程 | 第33页 |
| ·PCA-聚类算法存在的问题 | 第33-34页 |
| ·PCA-聚类算法的改进 | 第34-38页 |
| ·雷达图与直角坐标平面的转换 | 第34-37页 |
| ·多边形的特征提取 | 第37-38页 |
| ·PCA-聚类改进算法的流程 | 第38页 |
| ·小结 | 第38-40页 |
| 第五章 神经元形态分类问题的模型建立与求解 | 第40-53页 |
| ·聚类算法模型 | 第40-41页 |
| ·系统聚类算法 | 第40页 |
| ·K-means算法 | 第40-41页 |
| ·PCA-聚类算法模型的建立与求解 | 第41-49页 |
| ·PCA-聚类算法模型建立 | 第41-43页 |
| ·PCA-聚类算法对神经元数据的求解 | 第43-49页 |
| ·PCA-聚类改进算法模型的建立与求解 | 第49-52页 |
| ·雷达图与直角坐标平面转换模型建立 | 第49页 |
| ·对神经元主成分数据的转换求解 | 第49-51页 |
| ·多边形特征提取建模 | 第51页 |
| ·多边形特征提取模型求解 | 第51-52页 |
| ·小结 | 第52-53页 |
| 第六章 三种算法的求解与对比 | 第53-65页 |
| ·神经元数据的类别说明 | 第53页 |
| ·聚类结果的衡量方法 | 第53-54页 |
| ·常规聚类算法求解 | 第54-57页 |
| ·PCA-聚类算法求解 | 第57-60页 |
| ·PCA-聚类改进算法求解 | 第60-64页 |
| ·三种算法的对比 | 第64-65页 |
| 第七章 总结与展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 附录 | 第70-72页 |
