基于势能场模型的层次优化聚类算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 传统聚类算法 | 第11-14页 |
| 1.2.2 基于势能场模型的聚类算法 | 第14-15页 |
| 1.3 论文的主要研究内容与创新 | 第15-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 第2章 基于势能场模型的改进聚类算法 | 第18-33页 |
| 2.1 密度峰搜索聚类算法的研究与分析 | 第18-23页 |
| 2.1.1 密度峰搜索聚类算法的原理和实现流程 | 第18-21页 |
| 2.1.2 优化方向分析 | 第21-23页 |
| 2.2 势能场模型 | 第23-26页 |
| 2.2.1 势能场模型的原理 | 第23-25页 |
| 2.2.2 边缘加权树的构造 | 第25-26页 |
| 2.3 基于势能场模型的密度峰搜索聚类算法 | 第26-32页 |
| 2.3.1 基于离散程度的决策值计算 | 第27-28页 |
| 2.3.2 基于正态分布的潜在聚类中心搜索 | 第28-31页 |
| 2.3.3 整合势能场模型的优化过程 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 基于势能场模型的层次优化方法 | 第33-42页 |
| 3.1 传统层次聚类算法 | 第33-35页 |
| 3.1.1 层次聚类的基本原理 | 第33-34页 |
| 3.1.2 类簇间距离计算方法 | 第34-35页 |
| 3.2 基于势能的类簇合并准则 | 第35-38页 |
| 3.3 基于势能场模型的层次优化聚类算法 | 第38-41页 |
| 3.3.1 结合类簇合并准则的层次优化 | 第38-39页 |
| 3.3.2 高势能类簇的处理 | 第39页 |
| 3.3.3 改进聚类算法的完整实现流程及分析 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 实验分析与应用案例 | 第42-62页 |
| 4.1 实验设置 | 第42-46页 |
| 4.1.1 实验环境及数据集 | 第42-43页 |
| 4.1.2 实验对比算法 | 第43-44页 |
| 4.1.3 实验评估指标 | 第44-46页 |
| 4.2 实验结果分析 | 第46-54页 |
| 4.2.1 聚类质量分析 | 第46-52页 |
| 4.2.2 聚类效率分析 | 第52-53页 |
| 4.2.3 实验结论 | 第53-54页 |
| 4.3 出版传媒企业的读者细分应用 | 第54-61页 |
| 4.3.1 基于出版业的RFM模型 | 第55-57页 |
| 4.3.2 数据预处理及聚类 | 第57-59页 |
| 4.3.3 聚类结果及分析 | 第59-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 工作总结 | 第62-63页 |
| 5.2 研究展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 攻读学位期间获得与学位论文相关的科研成果 | 第70页 |
