基于密度峰值的聚类算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 选题背景与研究意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 本文主要研究内容 | 第17-20页 |
| 第二章 聚类及相关算法简介 | 第20-26页 |
| 2.1 聚类算法分类 | 第20-22页 |
| 2.1.1 划分聚类算法 | 第20页 |
| 2.1.2 层次聚类算法 | 第20-21页 |
| 2.1.3 密度聚类算法 | 第21页 |
| 2.1.4 网格聚类算法 | 第21-22页 |
| 2.1.5 模型聚类算法 | 第22页 |
| 2.2 DPC算法[6] | 第22-24页 |
| 2.3 KNN算法 | 第24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 结合K近邻的改进密度峰值聚类算法 | 第26-38页 |
| 3.1 IDPC算法思想与步骤 | 第26-29页 |
| 3.1.1 IDPC算法思想 | 第26-28页 |
| 3.1.2 IDPC算法步骤 | 第28-29页 |
| 3.2 算法时间复杂度 | 第29页 |
| 3.3 实验结果与分析 | 第29-37页 |
| 3.3.1 算法参数分析 | 第30-32页 |
| 3.3.2 合成数据集实验 | 第32-34页 |
| 3.3.3 真实数据集实验 | 第34-36页 |
| 3.3.4 算法效率对比 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于K近邻和多类合并的密度峰值聚类算法 | 第38-48页 |
| 4.1 KM-DPC算法思想与步骤 | 第38-41页 |
| 4.1.1 KM-DPC算法思想 | 第38-40页 |
| 4.1.2 KM-DPC算法步骤 | 第40-41页 |
| 4.2 时间复杂度分析 | 第41页 |
| 4.3 实验结果与分析 | 第41-47页 |
| 4.3.1 合成数据集实验 | 第42-44页 |
| 4.3.2 真实数据集实验 | 第44-46页 |
| 4.3.3 算法效率对比 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 基于密度峰值的眼动数据辨识算法 | 第48-60页 |
| 5.1 引言 | 第48页 |
| 5.2 眼动数据 | 第48-50页 |
| 5.2.1 眼动数据采集 | 第48-49页 |
| 5.2.2 眼动数据特征 | 第49-50页 |
| 5.3 Eye DP算法思想 | 第50-53页 |
| 5.3.1 数据预处理 | 第50-51页 |
| 5.3.2 辨识眼跳数据 | 第51页 |
| 5.3.3 辨识注视和平滑尾随数据 | 第51-53页 |
| 5.3.4 容错处理 | 第53页 |
| 5.4 数值实验 | 第53-57页 |
| 5.4.1 算法评价指标 | 第53-54页 |
| 5.4.2 实验结果与分析 | 第54-57页 |
| 5.5 本章小结 | 第57-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 作者简介 | 第68-69页 |
