多关系数据的支持向量聚类的设计与实现

第一章 引言	第1-12页
·从传统数据挖掘到多关系数据挖掘	第7-8页
·本文的研究背景	第8-10页
·本文的主要工作	第10-12页
第二章 MRDM 的算法体系及支持向量技术	第12-28页
·MRDM 的算法介绍	第12-20页
·逻辑解决方案	第12-14页
·逻辑融合概率的方案	第14-18页
·基于距离的解决方案	第18-19页
·基于关系学习的解决方案	第19-20页
·MRDM 算法体系	第20-21页
·支持向量技术	第21-25页
·支持向量机	第21-23页
·支持向量聚类	第23-25页
·KERNEL 函数意义	第25-28页
第三章 两阶段支持向量聚类算法	第28-32页
·提取数据簇的轮廓	第28-29页
·提取簇的中心信息	第29-30页
·确定数据的簇归属	第30-32页
第四章 多关系数据上的KERNEL 函数定义	第32-38页
·基本概念	第32-33页
·KERNEL 定义	第33-36页
·尺度的自适应学习策略	第36-38页
第五章 实验分析	第38-49页
·自适应学习策略的效果测试	第38-40页
·单表上算法的性能测试	第40-43页
·多表数据上算法性能分析	第43-49页
第六章 结论及展望	第49-51页
·结论	第49-50页
·工作展望	第50-51页
参考文献	第51-54页
中文摘要	第54-56页
ABSTRACT	第56-59页
致谢	第59-60页
导师及作者简介	第60页