| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题的研究背景及意义 | 第10-12页 |
| 1.1.1 课题的研究背景 | 第10页 |
| 1.1.2 课题的意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 增量聚类的研究现状 | 第12-13页 |
| 1.2.2 特征选择的研究现状 | 第13-15页 |
| 1.3 主要研究内容和预期研究结果 | 第15页 |
| 1.4 论文的组织 | 第15-18页 |
| 第2章 相关技术理论基础 | 第18-28页 |
| 2.1 特征选择算法相关技术研究 | 第18-21页 |
| 2.1.1 特征选择的相关理论 | 第18-20页 |
| 2.1.2 Relief特征选择算法 | 第20-21页 |
| 2.2 信息论相关知识 | 第21-23页 |
| 2.3 聚类相关技术研究 | 第23-26页 |
| 2.3.1 聚类的相关理论 | 第23-24页 |
| 2.3.2 K-Means算法介绍 | 第24-25页 |
| 2.3.3 增量聚类的相关理论 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 基于Relief和互信息的特征选择算法 | 第28-40页 |
| 3.1 引言 | 第28页 |
| 3.2 基于Relief并具有子集区分能力的特征选择算法 | 第28-32页 |
| 3.2.1 相关概念和定义 | 第28-30页 |
| 3.2.2 FSIRW特征选择算法 | 第30-32页 |
| 3.3 基于互信息和二次Renyi熵的特征评价函数 | 第32-37页 |
| 3.3.1 基于二次Renyi熵的互信息计算 | 第32-35页 |
| 3.3.2 基于互信息的QJMI特征评价函数 | 第35-37页 |
| 3.4 FSIRQ特征选择算法 | 第37-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 基于样本代表点与特征选择的增量聚类算法 | 第40-54页 |
| 4.1 引言 | 第40页 |
| 4.2 样本代表点选择算法 | 第40-48页 |
| 4.2.1 RDM区域划分算法 | 第41-44页 |
| 4.2.2 基于区域划分的RD-RSSA样本选择算法 | 第44-46页 |
| 4.2.3 RD-FERSSA样本选择算法 | 第46-48页 |
| 4.3 基于样本代表点的RD-RSSIK-Means增量聚类算法 | 第48-52页 |
| 4.4 FS-RDRS-IC增量聚类算法 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 实验及结果分析 | 第54-66页 |
| 5.1 实验数据集 | 第54页 |
| 5.2 实验平台及环境 | 第54-55页 |
| 5.3 实验结果及分析 | 第55-64页 |
| 5.3.1 实验一：FSIRW算法验证 | 第55-57页 |
| 5.3.2 实验二：FSIRQ算法对比验证 | 第57-59页 |
| 5.3.3 实验三：增量聚类算法准确率与执行时间对比验证 | 第59-61页 |
| 5.3.4 实验四：增量聚类算法召回率与F值对比验证 | 第61-64页 |
| 5.4 本章小结 | 第64-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-72页 |
