| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究现状 | 第13-14页 |
| 1.2.1 多核学习研究现状 | 第13页 |
| 1.2.2 超限学习机研究现状 | 第13-14页 |
| 1.2.3 序列数据研究现状 | 第14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.3.1 基于超限学习机的聚类算法 | 第14-15页 |
| 1.3.2 基于鲁棒性多核学习的聚类算法 | 第15页 |
| 1.3.3 聚类算法在序列数据中的应用 | 第15页 |
| 1.4 论文结构 | 第15-16页 |
| 第二章 基于超限学习机的聚类算法 | 第16-35页 |
| 2.1 引言 | 第16-17页 |
| 2.2 相关算法 | 第17-27页 |
| 2.2.1 超限学习机 | 第17-23页 |
| 2.2.2 核方法 | 第23-25页 |
| 2.2.3 多核k-means算法 | 第25-27页 |
| 2.3 基于超限学习机的多样性引导的多核k-means算法 | 第27-29页 |
| 2.3.1 基于超限学习机的简单的多核k-means算法 | 第27-28页 |
| 2.3.2 基于超限学习机的多样性引导的多核k-means算法 | 第28页 |
| 2.3.3 优化求解 | 第28-29页 |
| 2.4 实验 | 第29-33页 |
| 2.4.1 数据集 | 第29-30页 |
| 2.4.2 对比算法 | 第30页 |
| 2.4.3 实验设置 | 第30-32页 |
| 2.4.4 实验结果 | 第32-33页 |
| 2.4.5 参数与收敛性分析 | 第33页 |
| 2.5 本章小节 | 第33-35页 |
| 第三章 基于鲁棒性多核学习的聚类算法 | 第35-55页 |
| 3.1 引言 | 第35-36页 |
| 3.2 鲁棒性多核谱聚类 | 第36-45页 |
| 3.2.1 谱聚类 | 第36-43页 |
| 3.2.2 单核背景 | 第43页 |
| 3.2.3 多核背景 | 第43-45页 |
| 3.3 低秩和多样性正则化项约束的多核学习算法 | 第45-49页 |
| 3.3.1 多样性正则化项 | 第45-46页 |
| 3.3.2 目标函数形式化 | 第46页 |
| 3.3.3 优化求解 | 第46-49页 |
| 3.4 实验 | 第49-54页 |
| 3.4.1 对比算法 | 第50页 |
| 3.4.2 实验设置 | 第50-51页 |
| 3.4.3 在合成数据集上的实验 | 第51-52页 |
| 3.4.4 在实际数据集上的实验 | 第52-53页 |
| 3.4.5 参数与收敛性分析 | 第53-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 聚类算法在序列数据中的应用 | 第55-80页 |
| 4.1 序列片段法 | 第55-63页 |
| 4.1.1 先验与优势 | 第55-56页 |
| 4.1.2 问题模型建立 | 第56-57页 |
| 4.1.3 聚集近似法符号化 | 第57-60页 |
| 4.1.4 随机掩码法 | 第60-61页 |
| 4.1.5 寻找序列片段 | 第61-62页 |
| 4.1.6 利用序列片段聚类 | 第62-63页 |
| 4.2 电路序列数据上的应用 | 第63-73页 |
| 4.2.1 时间序列趋势的分解 | 第63-65页 |
| 4.2.2 电路序列数据的相似性 | 第65-67页 |
| 4.2.3 电路序列数据聚类 | 第67-73页 |
| 4.3 声音序列数据上的应用 | 第73-79页 |
| 4.3.1 提取声音特征 | 第73-76页 |
| 4.3.2 声音序列数据聚类 | 第76-79页 |
| 4.4 本章小节 | 第79-80页 |
| 第五章 总结与展望 | 第80-82页 |
| 5.1 工作总结 | 第80-81页 |
| 5.2 工作展望 | 第81-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-90页 |
| 作者在学期间取得的学术成果 | 第90页 |
