| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 第一章 绪论 | 第10-17页 |
| ·选题背景及研究意义 | 第10-12页 |
| ·集成学习的研究现状及存在的问题 | 第12-15页 |
| ·研究现状 | 第12-13页 |
| ·存在的问题 | 第13-15页 |
| ·本文的主要研究内容 | 第15-16页 |
| ·本文的总体结构 | 第16-17页 |
| 第二章 聚类理论基础 | 第17-29页 |
| ·聚类概述 | 第17-18页 |
| ·聚类的相关问题 | 第18-21页 |
| ·聚类的数据结构 | 第18-19页 |
| ·聚类的数据类型 | 第19-20页 |
| ·聚类方法评估 | 第20-21页 |
| ·聚类算法综述 | 第21-25页 |
| ·常用的基于划分的聚类算法 | 第22-24页 |
| ·其他常用的聚类算法 | 第24-25页 |
| ·聚类算法存在的问题和评价标准 | 第25-28页 |
| ·聚类算法存在的问题 | 第25-26页 |
| ·聚类算法的评价标准 | 第26-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 选择性集成学习的基本理论 | 第29-37页 |
| ·集成学习理论 | 第29-30页 |
| ·集成学习的概念 | 第29页 |
| ·集成的优点 | 第29-30页 |
| ·集成学习的典型算法 | 第30-34页 |
| ·选择性集成学习 | 第34-35页 |
| ·集成学习的应用 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 第四章 一种基于Bagging 的选择性聚类集成算法 | 第37-43页 |
| ·相关理论知识 | 第37-38页 |
| ·Bagging 技术与集成 | 第37页 |
| ·传统k 均值算法 | 第37-38页 |
| ·改进的k 均值算法 | 第38页 |
| ·算法基本思想 | 第38-40页 |
| ·算法实验及结果分析 | 第40-42页 |
| ·实验设置 | 第40-42页 |
| ·结论 | 第42页 |
| ·本章小结 | 第42-43页 |
| 第五章 一种基于分类的半监督聚类算法 | 第43-49页 |
| ·背景知识 | 第43-44页 |
| ·算法基本思想 | 第44-46页 |
| ·算法实验 | 第46-48页 |
| ·实验设置 | 第46页 |
| ·实验数据 | 第46-47页 |
| ·实验分析 | 第47-48页 |
| ·结论 | 第48页 |
| ·本章小结 | 第48-49页 |
| 第六章 总结与展望 | 第49-51页 |
| ·总结 | 第49-50页 |
| ·下一步的工作 | 第50-51页 |
| 参考文献 | 第51-53页 |
| 攻读硕士学位期间发表的论文和参与的项目 | 第53-54页 |
| 致谢 | 第54页 |