聚类分析优化关键技术研究
作者简介 | 第1-4页 |
摘要 | 第4-6页 |
ABSTRACT | 第6-12页 |
第一章 绪论 | 第12-22页 |
·课题背景 | 第12-13页 |
·研究现状 | 第13-18页 |
·数据挖掘 | 第13页 |
·聚类分析 | 第13-16页 |
·文本聚类 | 第16-18页 |
·论文的研究内容、研究方法及主要成果 | 第18-20页 |
·论文的组织结构 | 第20-22页 |
第二章 聚类分析相关技术 | 第22-44页 |
·聚类分析概述 | 第22-23页 |
·主要聚类算法介绍 | 第23-27页 |
·聚类分析最新进展 | 第27-34页 |
·融合计算智能的聚类方法 | 第27-28页 |
·近邻传播聚类 | 第28-31页 |
·子空间聚类 | 第31-32页 |
·谱聚类 | 第32-33页 |
·半监督聚类 | 第33-34页 |
·聚类有效性评价 | 第34-36页 |
·实验数据集及实验系统介绍 | 第36-43页 |
·本章小结 | 第43-44页 |
第三章 改进的快速粒子群优化聚类算法 | 第44-66页 |
·粒子群优化 | 第44-47页 |
·粒子群优化研究进展 | 第47-48页 |
·粒子群优化聚类算法 | 第48-49页 |
·改进的快速粒子群优化聚类 | 第49-54页 |
·数据预处理 | 第50页 |
·改进的粒子群优化聚类算法 | 第50-52页 |
·实验结果 | 第52-54页 |
·一种新的两阶段混合粒子群优化聚类 | 第54-65页 |
·基于凝聚层次聚类的初始聚类中心生成算法 | 第55-57页 |
·融合混沌思想的粒子群优化聚类算法 | 第57-60页 |
·实验结果 | 第60-65页 |
·本章小结 | 第65-66页 |
第四章 基于粒子群优化的聚类算法参数优选方法 | 第66-90页 |
·改进的粒子群优化模糊聚类算法 | 第66-75页 |
·模糊 C-均值聚类算法(FCM) | 第67-68页 |
·模糊加权指数 m 的研究 | 第68-70页 |
·改进的粒子群优化模糊聚类算法 | 第70-71页 |
·实验结果 | 第71-75页 |
·改进的粒子群优化密度聚类算法 | 第75-82页 |
·DBSCAN 密度聚类算法 | 第75-77页 |
·改进的粒子群优化密度聚类算法 | 第77-78页 |
·实验结果 | 第78-82页 |
·一种新的聚类有效性指标自动验证方法 | 第82-88页 |
·聚类有效性指标 | 第83-84页 |
·一种新的基于粒子群优化聚类的聚类有效性验证方法 | 第84-86页 |
·实验结果 | 第86-88页 |
·本章小结 | 第88-90页 |
第五章 一种新的半监督粒子群优化聚类方法 | 第90-104页 |
·半监督学习方法 | 第90-91页 |
·半监督聚类方法 | 第91-94页 |
·基于约束的半监督聚类算法 | 第91-92页 |
·基于距离度量的半监督聚类算法 | 第92-93页 |
·融合约束与距离的半监督聚类算法 | 第93-94页 |
·一种新的半监督粒子群优化聚类算法 | 第94-98页 |
·成对约束半监督训练 | 第94-97页 |
·半监督粒子群优化聚类 | 第97-98页 |
·实验结果 | 第98-103页 |
·本章小结 | 第103-104页 |
第六章 基于聚类过程统计的文本划分聚类算法 | 第104-138页 |
·文本聚类技术的现状与发展 | 第104-106页 |
·无监督特征降维方法 | 第106-109页 |
·特征选择方法 | 第106-109页 |
·特征抽取方法 | 第109页 |
·文本表示模型 | 第109-114页 |
·基于聚类过程统计文本聚类算法 | 第114-121页 |
·文本数据预处理 | 第114-115页 |
·基于聚类过程统计的初始聚类中心选择方法 | 第115-117页 |
·一种新的文本划分聚类算法 | 第117-121页 |
·半监督文本聚类算法 | 第121-123页 |
·实验结果 | 第123-133页 |
·在企业竞争情报系统中的应用 | 第133-137页 |
·本章小结 | 第137-138页 |
第七章 总结与展望 | 第138-142页 |
·研究工作总结 | 第138-140页 |
·进一步的工作与展望 | 第140-142页 |
致谢 | 第142-144页 |
参考文献 | 第144-162页 |
攻读博士学位期间的研究成果 | 第162-164页 |
学术论文 | 第162-163页 |
专利 | 第163页 |
软件著作权 | 第163页 |
参加研究的科研项目 | 第163-164页 |