| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第1章 绪论 | 第15-33页 |
| 1.1 研究背景及意义 | 第15-19页 |
| 1.2 国内外研究现状及分析 | 第19-28页 |
| 1.2.1 高维多噪音数据聚类 | 第19-23页 |
| 1.2.2 高维稀疏数据聚类 | 第23-24页 |
| 1.2.3 高维多视图数据聚类分析 | 第24-26页 |
| 1.2.4 并行化高维数据聚类分析 | 第26-27页 |
| 1.2.5 存在的问题总结 | 第27-28页 |
| 1.3 研究工作及特色 | 第28-31页 |
| 1.3.1 主要研究内容 | 第28-31页 |
| 1.3.2 主要研究成果和创新 | 第31页 |
| 1.4 论文组织结构 | 第31-33页 |
| 第2章 基于扩展kmeans框架的子空间聚类算法 | 第33-71页 |
| 2.1 研究问题与动机 | 第33-35页 |
| 2.2 扩展kmeans聚类框架 | 第35-48页 |
| 2.2.1 扩展kmeans算法：E-kmeans | 第37-40页 |
| 2.2.2 扩展Wkmeans算法：E-Wkmeans | 第40-43页 |
| 2.2.3 扩展AWA算法：E-AWA | 第43-48页 |
| 2.3 实验结果与分析 | 第48-69页 |
| 2.3.1 实验设置 | 第48页 |
| 2.3.2 性能指标 | 第48-49页 |
| 2.3.3 人工数据集 | 第49-56页 |
| 2.3.4 真实数据集 | 第56-68页 |
| 2.3.5 讨论 | 第68-69页 |
| 2.4 小结 | 第69-71页 |
| 第3章 基于概念图扩展关键词的高维稀疏短文本聚类算法 | 第71-83页 |
| 3.1 研究问题与动机 | 第71-73页 |
| 3.2 基于概念图扩展关键词的短文本聚类 | 第73-79页 |
| 3.2.1 概念抽取 | 第73-74页 |
| 3.2.2 概念聚类 | 第74-78页 |
| 3.2.3 基于扩展关键词的短文本聚类 | 第78页 |
| 3.2.4 计算复杂度分析 | 第78-79页 |
| 3.3 实验结果与分析 | 第79-82页 |
| 3.3.1 数据集 | 第80页 |
| 3.3.2 性能指标 | 第80页 |
| 3.3.3 结果与分析 | 第80-82页 |
| 3.4 小结 | 第82-83页 |
| 第4章 基于多非负矩阵分解的多视图数据聚类算法 | 第83-104页 |
| 4.1 研究动机 | 第83-86页 |
| 4.2 问题定义 | 第86-87页 |
| 4.3 基于平滑约束的多非负矩阵分解算法 | 第87-94页 |
| 4.3.1 非负矩阵分解 | 第87-90页 |
| 4.3.2 优化模型 | 第90页 |
| 4.3.3 MNMF算法 | 第90-93页 |
| 4.3.4 计算复杂度分析 | 第93-94页 |
| 4.4 实验结果与分析 | 第94-103页 |
| 4.4.1 实验设置 | 第94-95页 |
| 4.4.2 TDT5数据集 | 第95-96页 |
| 4.4.3 NIPS数据集 | 第96-102页 |
| 4.4.4 讨论 | 第102-103页 |
| 4.5 小结 | 第103-104页 |
| 第5章 基于图形处理单元的并行化多非负矩阵分解算法 | 第104-119页 |
| 5.1 研究问题和动机 | 第104-105页 |
| 5.2 并行联合多非负矩阵分解算法 | 第105-111页 |
| 5.2.1 计算统一设备框架 | 第105-108页 |
| 5.2.2 联合多非负矩阵分解算法 | 第108页 |
| 5.2.3 基于图形处理单元的并行联合多非负矩阵分解算法 | 第108-109页 |
| 5.2.4 计算复杂度分析 | 第109-111页 |
| 5.3 实验结果与分析 | 第111-116页 |
| 5.3.1 模拟数据集 | 第111-115页 |
| 5.3.2 真实数据集 | 第115-116页 |
| 5.4 小结 | 第116-119页 |
| 结论 | 第119-122页 |
| 参考文献 | 第122-136页 |
| 攻读博士学位期间发表的论文及其他成果 | 第136-139页 |
| 致谢 | 第139-140页 |
| 个人简历 | 第140页 |
