| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-11页 |
| 1.1.1 数据挖掘的产生与发展 | 第9-10页 |
| 1.1.2 聚类分析 | 第10-11页 |
| 1.2 课题的引出 | 第11-12页 |
| 1.3 高维数据聚类的研究现状 | 第12-13页 |
| 1.3.1 典型的高维聚类算法 | 第12页 |
| 1.3.2 现有的改进高维聚类算法 | 第12-13页 |
| 1.4 论文组织 | 第13-14页 |
| 第二章 聚类分析的基本概念和方法 | 第14-23页 |
| 2.1 聚类的定义 | 第14页 |
| 2.2 聚类的相关知识 | 第14-19页 |
| 2.2.1 聚类的主要步骤 | 第14-15页 |
| 2.2.2 聚类中的数据类型及相异性度量 | 第15-17页 |
| 2.2.3 聚类结果评估 | 第17-19页 |
| 2.3 主要的聚类方法 | 第19-23页 |
| 2.3.1 划分方法 | 第19-20页 |
| 2.3.2 层次方法 | 第20页 |
| 2.3.3 密度方法 | 第20-21页 |
| 2.3.4 网格方法 | 第21页 |
| 2.3.5 模型方法 | 第21-23页 |
| 第三章 高维数据聚类算法分析 | 第23-28页 |
| 3.1 高维数据的特点 | 第23-24页 |
| 3.1.1 稀疏性 | 第23页 |
| 3.1.2 维度效应 | 第23-24页 |
| 3.2 高维数据聚类技术分类 | 第24-25页 |
| 3.2.1 属性约简 | 第24-25页 |
| 3.2.2 子空间聚类 | 第25页 |
| 3.2.3 协同聚类 | 第25页 |
| 3.3 高维聚类算法改进方向分析 | 第25-28页 |
| 3.3.1 高维空间相似性度量方法研究现状 | 第25-26页 |
| 3.3.2 高维空间特征变换方法研究现状 | 第26-28页 |
| 第四章 基于降维的Autoencoder算法研究 | 第28-40页 |
| 4.1 神经网络相关知识 | 第28-34页 |
| 4.1.1 神经网络模型 | 第28页 |
| 4.1.2 几种典型神经网络结构 | 第28-32页 |
| 4.1.3 神经网络权重和阈值的初始化 | 第32页 |
| 4.1.4 数据的规范化 | 第32-33页 |
| 4.1.5 神经网络的学习与训练 | 第33-34页 |
| 4.1.6 人工神经网络的特性 | 第34页 |
| 4.2 Autoencoder算法的介绍 | 第34-36页 |
| 4.2.1 Autoencoder算法的结构 | 第34-36页 |
| 4.2.2 Autoencoder算法具体实现过程 | 第36页 |
| 4.3 算法的改进思想和实现 | 第36-37页 |
| 4.4 实验平台及数据 | 第37页 |
| 4.5 实验结果及分析 | 第37-40页 |
| 第五章 Autoencoder算法在高维数据聚类中的应用 | 第40-47页 |
| 5.1 经典聚类算法介绍 | 第40-41页 |
| 5.1.1 K-means算法 | 第40-41页 |
| 5.1.2 K-means++算法 | 第41页 |
| 5.2 极大似然估计本征维 | 第41-42页 |
| 5.3 算法思路及实现 | 第42-43页 |
| 5.4 实验平台及数据 | 第43页 |
| 5.5 实验结果及分析 | 第43-47页 |
| 第六章 总结与展望 | 第47-49页 |
| 6.1 主要结论 | 第47页 |
| 6.2 研究展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 硕士期间发表的论文 | 第52-53页 |
| 致谢 | 第53页 |