| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-17页 |
| ·引言 | 第9-10页 |
| ·研究背景及意义 | 第10-13页 |
| ·高维数据分类的国内外研究现状和热点 | 第13-14页 |
| ·论文的研究内容 | 第14-15页 |
| ·论文的组织结构 | 第15页 |
| ·本章小结 | 第15-17页 |
| 第2章 分类与聚类算法介绍 | 第17-29页 |
| ·分类算法 | 第17-24页 |
| ·决策树 | 第18-19页 |
| ·支持向量机(SVM)算法 | 第19-24页 |
| ·聚类算法 | 第24-27页 |
| ·K均值算法 | 第24-26页 |
| ·改进的K均值算法 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 第3章 基于二分K均值和SVM决策树二阶段高维数据分类方法 | 第29-37页 |
| ·引言 | 第29-30页 |
| ·分K均值粗聚类 | 第30页 |
| ·SVM决策树进行细分 | 第30-32页 |
| ·算法复杂度 | 第32-33页 |
| ·算法流程及实验结果 | 第33-35页 |
| ·算法流程 | 第33页 |
| ·实验结果分析 | 第33-35页 |
| ·本章小结 | 第35-37页 |
| 第4章 基于二分K均值的SVM决策树自适应分类方法 | 第37-55页 |
| ·引言 | 第37页 |
| ·基础理论 | 第37-42页 |
| ·自适应维归约方法 | 第37-39页 |
| ·主成分分析法 | 第39页 |
| ·基于统计的分类准则 | 第39-42页 |
| ·基于二分K均值的SVM决策树自适应分类方法 | 第42-45页 |
| ·算法流程 | 第42-44页 |
| ·算法复杂度分析 | 第44-45页 |
| ·实验结果分析 | 第45-53页 |
| ·基于最大分离度的仿真和对比实验 | 第45-47页 |
| ·基于其它核函数的仿真和对比实验 | 第47-53页 |
| ·本章小结 | 第53-55页 |
| 第5章 总结和展望 | 第55-57页 |
| ·课题研究总结 | 第55-56页 |
| ·存在的问题和进一步的工作 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-65页 |
| 攻读硕士学位期间科研成果 | 第65页 |