| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 引言 | 第8-19页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-17页 |
| 1.2.1 数据挖掘及聚类的研究现状 | 第9-12页 |
| 1.2.2 聚类算法研究现状 | 第12-16页 |
| 1.2.3 聚类算法目前的研究热点 | 第16-17页 |
| 1.3 本文的主要工作 | 第17-18页 |
| 1.4 论文的组织结构 | 第18-19页 |
| 第2章 谱聚类算法介绍 | 第19-34页 |
| 2.1 谱聚类概述 | 第19-20页 |
| 2.2 谱聚类划分理论基础 | 第20-23页 |
| 2.2.1 图论基本概念 | 第21页 |
| 2.2.2 图划分理论 | 第21-23页 |
| 2.3 谱聚类算法的研究点 | 第23-24页 |
| 2.4 经典的谱聚类算法 | 第24-28页 |
| 2.4.1 迭代型谱聚类 | 第25-27页 |
| 2.4.2 多路型谱聚类 | 第27-28页 |
| 2.5 谱聚类中数据度量的研究 | 第28-31页 |
| 2.5.1 基于距离的度量 | 第28-29页 |
| 2.5.2 基于统计学的度量 | 第29-30页 |
| 2.5.3 基于模型的度量 | 第30-31页 |
| 2.6 NJW算法的步骤分析 | 第31-33页 |
| 2.7 本章小结 | 第33-34页 |
| 第3章 密度敏感谱聚类算法 | 第34-46页 |
| 3.1 密度敏感谱聚类算法介绍 | 第34-35页 |
| 3.2 密度敏感谱聚类算法算法步骤与分析 | 第35-38页 |
| 3.2.1 构造相似矩阵阶段 | 第35-37页 |
| 3.2.2 使用拉普拉斯矩阵重新构造对应的空间阶段 | 第37-38页 |
| 3.2.3 经典算法的使用和重新映射阶段 | 第38页 |
| 3.3 密度敏感谱聚类的优势 | 第38-40页 |
| 3.4 密度敏感谱聚类存在的问题 | 第40-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于局部信息的密度敏感谱聚类算法 | 第46-56页 |
| 4.1 基于局部信息的密度敏感的相似度度量 | 第46-49页 |
| 4.2 基于局部信息的密度敏感谱聚类算法 | 第49-50页 |
| 4.3 实验分析 | 第50-55页 |
| 4.3.1 在人工数据集下的实验 | 第51-53页 |
| 4.3.2 在UCI数据集下的实验 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 自动确定聚类数目 | 第56-62页 |
| 5.1 拉普拉斯矩阵的研究 | 第56-57页 |
| 5.2 使用本征间隙来划分聚类数目 | 第57-59页 |
| 5.3 使用本征间隙的基于局部信息的密度敏感谱聚类算法 | 第59-60页 |
| 5.4 实验分析 | 第60-61页 |
| 5.4.1 对于人工数据集中聚类数目的判定 | 第60-61页 |
| 5.4.2 对于UCI数据集中聚类数目的判定 | 第61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 本文工作总结 | 第62-63页 |
| 6.2 后续研究工作 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第69页 |