| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 K-MEANS研究现状 | 第10页 |
| 1.2.2 聚类集成研究现状 | 第10-11页 |
| 1.2.3 半监督学习研究现状 | 第11页 |
| 1.3 本文工作创新 | 第11-12页 |
| 1.4 结构组织 | 第12-13页 |
| 第2章 相关理论及技术研究 | 第13-29页 |
| 2.1 决策信息系统 | 第13-14页 |
| 2.2 聚类分析理论 | 第14-18页 |
| 2.2.1 聚类任务 | 第14页 |
| 2.2.2 相似度计算 | 第14-15页 |
| 2.2.3 性能度量 | 第15-16页 |
| 2.2.4 聚类方法种类 | 第16-18页 |
| 2.3 聚类集成 | 第18-25页 |
| 2.3.1 集成学习 | 第18页 |
| 2.3.2 基于聚类的集成学习 | 第18-20页 |
| 2.3.3 聚类集成基学习器 | 第20-21页 |
| 2.3.4 一致性函数设计 | 第21-25页 |
| 2.4 半监督学习 | 第25-28页 |
| 2.4.1 半监督聚类 | 第25-26页 |
| 2.4.2 半监督分类 | 第26-27页 |
| 2.4.3 先验知识 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于初始中心优化和属性加权的K-MEANS聚类算法COFW | 第29-38页 |
| 3.1 K-MEANS算法 | 第29页 |
| 3.2 COFW聚类算法 | 第29-33页 |
| 3.2.1 聚类中心选择 | 第29-31页 |
| 3.2.2 权重迭代更新 | 第31-32页 |
| 3.2.3 COFW算法 | 第32-33页 |
| 3.3 实验及分析 | 第33-37页 |
| 3.3.1 实验参数设置 | 第33-34页 |
| 3.3.2 性能指标 | 第34页 |
| 3.3.3 实验结果分析 | 第34-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于聚类集成的半监督分类算法-SUCE | 第38-50页 |
| 4.1 算法设计与分析 | 第38-42页 |
| 4.1.1 算法总体方案 | 第38-39页 |
| 4.1.2 算法描述 | 第39-41页 |
| 4.1.3 算法复杂度分析 | 第41-42页 |
| 4.2 实验及分析 | 第42-49页 |
| 4.2.1 实验设置 | 第42页 |
| 4.2.2 算法对比实验 | 第42-47页 |
| 4.2.3 参数调整实验 | 第47-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 本文工作总结 | 第50-51页 |
| 5.2 未来工作展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第58页 |