模糊C均值聚类的理论与应用研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-11页 |
| ·引言 | 第8-9页 |
| ·本文的研究背景 | 第9-10页 |
| ·本文主要研究内容和创新点 | 第10-11页 |
| 2 模糊C均值聚类的相关技术理论 | 第11-19页 |
| ·常用聚类算法简介 | 第11-12页 |
| ·模糊C均值聚类算法概述 | 第12-15页 |
| ·硬C均值(HCM)聚类算法 | 第12-13页 |
| ·模糊C均值(FCM)聚类算法 | 第13-15页 |
| ·模糊C均值聚类算法的相关基础研究 | 第15-18页 |
| ·FCM聚类算法的目标函数的演化研究 | 第15-17页 |
| ·FCM聚类算法有效性的研究 | 第17页 |
| ·FCM聚类算法的应用研究 | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 3 一种基于部分监督的加权FCM聚类算法 | 第19-23页 |
| ·权值的设定 | 第19-20页 |
| ·基于部分监督的加权FCM算法 | 第20-21页 |
| ·实验结论 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 4 一种基于核函数的加权FCM聚类算法 | 第23-27页 |
| ·核密度函数 | 第23页 |
| ·基于核函数的FCM算法 | 第23-24页 |
| ·基于核函数的加权FCM算法 | 第24-25页 |
| ·权值的设定 | 第24-25页 |
| ·具体的分割算法 | 第25页 |
| ·实验结果及分析 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 5 模糊C均值聚类的有效性分析 | 第27-35页 |
| ·几种常用的有效性标准 | 第27-30页 |
| ·BEZDEK的划分熵理论 | 第30-31页 |
| ·新的有效性标准 | 第31页 |
| ·实验结果 | 第31-34页 |
| ·IRIS数据的聚类有效性标准 | 第32页 |
| ·平面2-4类数据的聚类有效性标准 | 第32-33页 |
| ·平面2-3-6类数据的聚类有效性标准 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 6 一种基于加权FCM的图像分割算法 | 第35-41页 |
| ·算法的设计 | 第35-36页 |
| ·仿真实验验证 | 第36-38页 |
| ·一种针对复杂图像的改进分割算法 | 第38-39页 |
| ·本章小结 | 第39-41页 |
| 7 基于神经网络和FCM相结合的车型分类器的设计 | 第41-50页 |
| ·车型图像的提取和预处理 | 第41-44页 |
| ·车辆图像的提取 | 第42页 |
| ·车辆图像的预处理 | 第42-44页 |
| ·车型分类器的设计 | 第44-46页 |
| ·基于FCM的车型特征数据的聚类划分 | 第44-45页 |
| ·神经网络的训练和分类器的设计 | 第45-46页 |
| ·网络训练的实验结果 | 第46-48页 |
| ·网络测试的实验结果 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 8 总结和展望 | 第50-52页 |
| ·总结 | 第50页 |
| ·展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 作者在攻读硕士学位期间发表的论文和参加的项目 | 第55-56页 |
| 附录 | 第56-58页 |
| 致谢 | 第58页 |
