无监督学习框架下学习分类器系统聚类与主干网提取方法研究
| 中文摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-28页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 无监督学习的研究进展 | 第12-26页 |
| 1.2.1 基于划分聚类的无监督学习 | 第12-15页 |
| 1.2.2 基于层次聚类的无监督学习 | 第15-16页 |
| 1.2.3 基于谱聚类的无监督学习 | 第16-19页 |
| 1.2.4 基于进化算法的无监督学习 | 第19-20页 |
| 1.2.5 基于流形学习的无监督学习 | 第20-21页 |
| 1.2.6 无监督学习的学习问题 | 第21-26页 |
| 1.3 问题提出与内容安排 | 第26-28页 |
| 第二章 相关基础知识 | 第28-40页 |
| 2.1 引言 | 第28页 |
| 2.2 K‐MEANS聚类 | 第28-30页 |
| 2.2.1 初始聚类中心的选取 | 第28-29页 |
| 2.2.2 相似性的度量方式 | 第29-30页 |
| 2.2.3 准则函数的选择 | 第30页 |
| 2.3 遗传算法 | 第30-33页 |
| 2.3.1 编码 | 第31页 |
| 2.3.2 初始种群的生成 | 第31-32页 |
| 2.3.3 适应度函数 | 第32页 |
| 2.3.4 遗传算子 | 第32-33页 |
| 2.4 强化学习 | 第33-34页 |
| 2.5 集成学习 | 第34-36页 |
| 2.5.1 基聚类器的多样性 | 第35-36页 |
| 2.5.2 集成规则 | 第36页 |
| 2.6 基于滤波器的主干网提取方法 | 第36-39页 |
| 2.7 小结 | 第39-40页 |
| 第三章 基于扩展分类器系统的投票集成聚类方法 | 第40-53页 |
| 3.1 引言 | 第40页 |
| 3.2 基于扩展分类器系统的聚类方法 | 第40-45页 |
| 3.2.1 种群初始化 | 第42页 |
| 3.2.2 调整规则参数 | 第42-43页 |
| 3.2.3 进化种群 | 第43页 |
| 3.2.4 压缩规则集合 | 第43-44页 |
| 3.2.5 规则合并 | 第44-45页 |
| 3.3 基于扩展分类器系统的投票集成聚类方法 | 第45-47页 |
| 3.4 实验结果 | 第47-52页 |
| 3.4.1 实验设置 | 第48-50页 |
| 3.4.2 人工数据集实验比较 | 第50页 |
| 3.4.3 肺癌图像识别实验比较 | 第50-52页 |
| 3.4.4 图像分割结果 | 第52页 |
| 3.5 小结 | 第52-53页 |
| 第四章 基于扩展分类器系统的统一聚类集成框架 | 第53-63页 |
| 4.1 引言 | 第53页 |
| 4.2 基于扩展分类器系统的统一聚类集成框架 | 第53-57页 |
| 4.3 实验结果 | 第57-62页 |
| 4.3.1 实验设置 | 第57-59页 |
| 4.3.2 人工数据集上的结果 | 第59-60页 |
| 4.3.3 肺癌图像识别结果 | 第60页 |
| 4.3.4 UCI数据集上的结果 | 第60-62页 |
| 4.4 小结 | 第62-63页 |
| 第五章 基于图聚类的主干网提取方法 | 第63-75页 |
| 5.1 引言 | 第63页 |
| 5.2 基于图聚类的主干网提取方法 | 第63-67页 |
| 5.2.1 局部搜索模型 | 第64-65页 |
| 5.2.2 BEHwII算法 | 第65-67页 |
| 5.3 实验结果 | 第67-74页 |
| 5.3.1 算法性能比较 | 第67-72页 |
| 5.3.2 BEHwII内部参数 | 第72-74页 |
| 5.4 小结 | 第74-75页 |
| 第六章 应用实例 | 第75-81页 |
| 6.1 引言 | 第75页 |
| 6.2 应用背景 | 第75-76页 |
| 6.3 舆情热点挖掘 | 第76-78页 |
| 6.4 微博情感分类 | 第78-79页 |
| 6.5 小结 | 第79-81页 |
| 第七章 总结与展望 | 第81-84页 |
| 7.1 总结 | 第81-82页 |
| 7.2 展望 | 第82-84页 |
| 参考文献 | 第84-100页 |
| 攻读博士学位期间主要的研究成果 | 第100-101页 |
| 致谢 | 第101-102页 |
